مقدمه

سلام

قالب کوئرا کالج

سیستم امتیازدهی و دریافت گواهی

آماده‌سازی محیط توسعه

معرفی پایتون تعاملی

معرفی نوتبوک ژوپیتر

محیط VS Code

گوگل کولب (Google Colab)

دستگرمی

مقدمه‌ای بر سیستم‌های پیشنهاددهنده

اهداف فصل

آشنایی با سیستم‌های پیشنهاددهنده

نمونه‌های واقعی از سیستم‌های پیشنهاددهنده

دسته‌بندی سیستم‌های پیشنهاددهنده

سیستم‌های پیشنهاددهنده در مقابل بار اطلاعاتی

چالش‌های طراحی سیستم‌های پیشنهاددهنده

داده‌های صریح و داده‌های ضمنی

اخلاق و مسئولیت‌پذیری در سیستم‌های پیشنهاددهنده

کوییز

مروری بر مفاهیم پایه

نامپای

جبر خطی

پانداز

قدم بزرگتر با پانداز

کار با فایل

مشخ شیخ

آمار ۱

آمار ۲

کوییز ۱

پیش‌پردازش داده‌ها

پیش‌پردازش در عمل

سنجش عملکرد

کوییز ۲

کتاب‌تکانی

سیستم‌های پیشنهاد دهنده مبتنی بر محتوا

آشنایی با سیستم‌های پیشنهاددهنده محتوا-محور

استخراج ویژگی‌ها از داده‌های متنی

متاداده‌ها و استخراج اطلاعات

تبدیل متن به بردار: قلب سیستم‌های پیشنهاددهنده

به دنبال شباهت‌ها، ریاضیات ساده و نتایج بزرگ

ساخت یک پیشنهاددهنده سلیقه‌ای

پیاده‌سازی یک سیستم‌ پیشنهاددهنده : صفر تا اجرا (بخش اول)

پیاده‌سازی یک سیستم‌ پیشنهاددهنده : صفر تا اجرا (بخش دوم)

شاید این موزیک رو هم دوست داشتی

پروژه ۱

پردازش زبان فارسی

به دنبال خبر

پالایش گروهی مبتنی بر کاربر

معرفی سیستم‌های پالایش گروهی

پالایش گروهی مبتنی بر کاربر و آیتم!

UBCF در عمل: چگونه جنس داده‌ها، مسئله ما را تغییر می‌دهد؟

مفهوم شباهت کاربران و روش‌های اندازه‌گیری شباهت

از دل کاربران مشابه: هنر پیشنهاد محصول در پالایش جمعی

از دل کاربران مشابه: هنر پیشنهاد محصول در پالایش جمعی با داده‌های ضمنی

چالش‌های پالایش جمعی مبتنی بر کاربر

پروژه ۲

قفسه هوشمند

همیار شغلی کوئرا

پالایش گروهی مبتنی بر محصول

معرفی پالایش گروهی مبتنی بر محصول (IBCF)

اندازه‌گیری شباهت آیتم‌ها

فرآیند پیش‌بینی امتیاز و تولید لیست پیشنهادها در IBCF

الگوریتم Slope One

نگاهی به آن‌سوی سکه؛ چالش‌های پالایش جمعی مبتنی بر محصول(IBCF)

بر سر دوراهی؛ UBCF یا IBCF، کدام یک برای شما مناسب‌تر است؟

پیوند دو نگاه؛ ترکیب هوشمندانه UBCF و IBCF

پروژه ۳

همیار شغلی کوئرا (اسپین آف مبتنی بر آیتم)

سیستم پیشنهادگر هوشمند فیلم

مروری بر تجزیه ماتریسی

مفهوم ماتریس Sparse

کار با scipy.sparse

مقدمه‌ای بر تجزیه ماتریس

ماتریس تعامل

ماتریس تعامل در عمل

تعامل ادبی

ماتریس‌های بزرگ و چالش‌های آن

کشف سریع علایق کاربر با Funk-SVD

پیشنهاد سرعتی

آشنایی با ALS

پیشنهاد قدرتی

ارزیابی و بهبود

سیستم‌های پیشنهاد‌دهنده ترکیبی

چرا ترکیب مدل‌ها؟

روش‌های ترکیبی ساده (سوئیچینگ)

روش‌های ترکیبی ساده (وزنی)

فراتر از ترکیب ساده: نیاز به سیستم‌های ترتیبی (مطالعه بیشتر)

بهبود ماتریس تعاملات با اطلاعات محتوا

پیاده‌سازی عملی: صفر تا اجرا (بخش اول)

پیاده‌سازی عملی: صفر تا اجرا (بخش دوم)

پیاده‌سازی عملی: صفر تا اجرا (بخش سوم)

سنجش عملکرد در سیستم‌های پیشنهاددهنده ترکیبی

ناجی فیلم لاور

چالش‌های عملیاتی طراحی سیستم‌های پیشنهاددهنده ترکیبی

پروژه ۴

کهکشان فرصت‌ها

کاربرد یادگیری ماشین در سیستم‌های پیشنهاددهنده (Classic ML)

رگرسیون خطی

مشکل موشا

لجستیک رگرسیون

وفاداری‌سنج

مهندسی ویژگی و پیش‌پردازش داده

درخت‌های تصمیم و روش‌های مبتنی بر درخت

درخت‌های تصمیم و روش‌های مبتنی بر درخت ۲

میزبان

مقایسه و تحلیل نتایج

یادگیری نظارت‌نشده

پروژه ۵

شکموک

کاربرد یادگیری ماشین در سیستم‌های پیشنهاددهنده (Learn to Rank)

Learn to Rank چیست؟

داده ها در LTR

انواع رویکردهای یادگیری برای رتبه‌بندی

فراتر از «درستی»؛ سنجش «کیفیت»

LTR در عمل

الگوریتم LambdMART

پروژه ۶

لیست طلایی

تکمیل لیست طلایی

یادگیری‌عمیق و سیستم‌های پیشنهاددهنده (مطالعه بیشتر)

چرا یادگیری عمیق؟

شبکه عصبی چند لایه و سیستم‌های پیشنهاددهنده

روش های مبتنی بر خودرمزگذار‌ها

روش های مبتنی بر شبکه‌های عصبی کانولوشنی

شبکه‌های عصبی بازگشتی و سیستم‌های پیشنهاددهنده

روش‌های مبتنی بر مدل‌های Neural Autoregressive

شبکه‌های مولد تخاصمی و سیستم‌های پیشنهاددهنده

مکانیزم توجه، ترنسفورمر‌ها  و استفاده از آن‌ها در سیستم‌های پیشنهاددهنده

استفاده از یادگیری تقویتی عمیق در سیستم‌‌های پیشنهاددهنده

معایب استفاده از روش های مبتنی بر یادگیری عمیق

کوییز ۳

روش‌های دیگر (مطالعه بیشتر)

انواع نگاه به سیستم‌های پیشنهاددهنده ۱

انوع نگاه به سیستم‌های پیشنهاددهنده ۲

گراف‌ها در سیستم‌های پیشنهاددهنده ۱

گراف‌ها در سیستم‌های پیشنهاددهنده ۲

گراف‌ها در سیستم‌های پیشنهاددهنده ۳

گراف‌ها در سیستم‌های پیشنهاددهنده ۴

سیستم‌های پیشنهاددهنده مولد

سیستم‌های پیشنهاددهنده و Federated Learning

به روش‌ها و ابزارهای مختلفی می‌توان یک محیط کدنویسی پایتون را راه‌اندازی کرد و این امر می‌تواند بسیار به سلیقه‌ی افراد بستگی داشته باشد. از کدنویسی در محیط *Jupyter Notebook* و *Jupyter Lab* گرفته تا استفاده از *IDE* هایی همچون *PyCharm*. با این حال، یک انتخاب رایج استفاده از ***Visual Studio Code*** یا به‌اختصار ***VS Code*** می‌باشد. با استفاده از این نرم‌افزار می‌توانید در سریع‌ترین زمان شروع به کدنویسی کنید و با استفاده از پیکربندی دلخواه خود و همچنین پلاگین‌های بسیار متنوعی که برای آن طراحی شده است یک محیط کدنویسی حرفه‌ای،‌ قدرتمند و البته سبک را برای کار خود ایجاد کنید. بنابراین در ادامه به شرح نحوه‌ی نصب و استفاده از این نرم‌افزار خواهیم پرداخت و شما را با نحوه‌ی اجرای کدها بر روی محیط ساخته‌شده در درسنامه‌ی پیشین آشنا خواهیم کرد.

![لوگو VS Code](https://quera.org/qbox/download/DHTtcP4kfU/vscode.png)

## ۱. نصب VS Code
ابتدا به [سایت رسمی *Visual Studio Code*](https://code.visualstudio.com/) مراجعه کرده و نسخه‌ی مناسب با سیستم‌عامل خود را دریافت و به‌آسانی نصب کنید.

 <details class="blue">

<summary>
**آشنایی با رابط کاربری VS Code**
</summary>

ظاهر *VS Code* چندان با سایر ویرایشگرهای کد متفاوت نیست و از یک رابط کاربری مرسوم بهره می‌برد. در سمت چپ تمام فایل‌ها و پوشه‌های پروژه‌ی کنونی نمایش داده می‌شود و در سمت راست ویرایشگر آن قرار گرفته که محتویات فایل‌هایی که باز کرده‌اید را نشان می‌دهد.

![رابط کاربری VS Code](https://quera.org/qbox/download/0A9LKx9Uqz/VSCode_UI.png)

رابط کاربری این برنامه را می‌توان به پنج قسمت اصلی تقسیم کرد:

+ **نوار فعالیت (َActivity Bar):** در چپ‌ترین قسمت پنجره قرار گرفته و دسترسی راحت‌تری به برخی از ابزارهای مهم فراهم می‌کند. یکی از مهم‌ترین ابزارهای این قسمت `Source Control` است و در صورتی‌که در حال استفاده از گیت (`Git`) باشید تعداد تغییرات شما بر روی دکمه‌ی مرتبط با آن نمایش داده می‌شود. از دکمه‌های مهم دیگر این قسمت `Extension` است که با استفاده از آن می‌توانید به کاوش میان اکستنشن‌های *VS Code* پرداخته و ابزارهای موردنیاز و علاقه‌ی خود را به این محیط اضافه کنید.
+ **نوار جانبی (Side Bar):** نماهای مختلفی در این بخش نمایش داده می‌شود که اصلی‌ترین آن هنگامی‌ست که در حال کار روی پروژه خود هستید و لیست فایل‌های پروژه‌ همچون یک `Explorer` در این قسمت فهرست می‌شود.
+ **ویرایشگر (Editor):** ناحیه‌ی اصلی ویرایش فایل‌های شماست و در آن می‌توانید ویرایشگرهای مختلفی (چندین فایل) را باز کرده و در کنار همدیگر به‌صورت افقی یا عمودی نمایش دهید.
+ **پنل (Panel):** یک فضای افزوده است و عموماً برای نمایش خروجی، اطلاعات دیباگ، خطاها و هشدارها و ترمینال استفاده می‌شود. این امکان را دارید تا محل قرارگیری پنل را به‌دلخواه تغییر داده و به سمت چپ یا راست صفحه نیز منتقل کنید.
+ **نوار وضعیت (Status Bar):** یک سری اطلاعات درباره‌ی پروژه‌ی کنونی شما و فایل‌های در حال ویرایش در این قسمت به نمایش در می‌آید.

در *VS Code* کلیدهای میانبر بسیاری تعریف شده که با استفاده از آن‌ها می‌توانید با سرعت بیشتری به قابلیت‌های مختلف این برنامه دسترسی پیدا کنید. یکی از مهم‌ترین کلیدهای میانبر آن `Ctrl+Shift+P` است که باعث نمایش بخش پالت دستور (`Command Palette`) می‌شود. در این قسمت می‌توانید به تمام قابلیت‌های *VS Code* دسترسی داشته باشید.

![پالت دستورها - Command Palette](https://quera.org/qbox/download/zdT2EUuvFx/CommandPalette.png)

علاوه بر این می‌توانید نسبت به اجرای یک سری دستور در همین قسمت اقدام کنید. کافیست علامت `?` را تایپ کنید تا لیستی از دستورهای قابل اجرا برای شما فهرست شود.

![فهرست دستورها](https://quera.org/qbox/download/js6spQ4NJW/quickopenhelp.png)

برای آشنایی کامل‌تر با رابط کاربری *VS Code* می‌توانید [مستندات اصلی](https://code.visualstudio.com/docs/getstarted/userinterface) آن را مطالعه کنید.

</details>

## ۲. نصب افزونه‌های مورد نیاز
در پنل سمت چپ روی دکمه‌ی `Extension` کلیک کنید. سپس عبارت `Python` را تایپ کرده و روی نخستین نتیجه‌ی یافت‌شده که سازنده‌ی آن مایکروسافت است کلیک کرده، سپس روی دکمه‌ی `Install` کلیک کنید تا افزونه دانلود و نصب شود.

![افزونه پایتون](https://quera.org/qbox/download/Z5hKcQbd3O/PythonExtension.jpg)

به طریق مشابه افزونه‌ی `Jupyter` (از مایکروسافت) را نیز نصب کنید.

## ۳. اجرای فایل پایتون
برای اجرای یک فایل پایتون (با پسوند `.py`) کافیست بر روی دکمه‌ی آن در بالا سمت راست صفحه (دکمه‌ی مثلثی همچون علامت `Play`) کلیک کنید.

![اجرای کد پایتون](https://quera.org/qbox/download/MQNhXruKM7/PythonRun.jpg)

در اولین بار اجرای یک فایل پایتون از شما بابت انتخاب یک مفسر (Interpreter) سوال می‌شود یا در بخش نوار وضعیت علامت زیر را مشاهده می‌کنید.

![انتخاب مفسر](https://quera.org/qbox/download/OEVkvaX1VV/no-interpreter-selected-statusbar.png)

کافیست روی این دکمه کلیک کنید تا لیست نسخه‌های پایتون نصب‌شده و محیط‌های مجازی سیستم شما نمایش داده شود. سپس می‌توانید محیطی که برای این دوره ساخته‌اید را انتخاب کنید.

![لیست مفسرها](https://quera.org/qbox/download/Jq0DdXFytx/interpreters-list.png) 

 <details class="red">

<summary>
**عدم وجود محیط موردنظر در لیست**
</summary>

اگر *VS Code* نتوانسته به‌صورت خودکار محیط شما را شناسایی کند، می‌توانید به‌صورت دستی آن را به لیست اضافه کنید. کافیست روی گزینه‌ی `Enter interpreter path...` کلیک کنید.

![اضافه کردن دستی مفسر](https://quera.org/qbox/download/qBayMjNwqL/enter-interpreter-path.png) 

 سپس یا مسیر کامل مفسر پایتون موردنظر خود را وارد کنید (چیزی مثل `.venv/Scripts/python.exe`) یا این‌که بر روی گزینه‌ی `Find...` کلیک کرده و فایل قابل اجرای (`exe`) پایتون و محیط موردنظر خود را انتخاب کنید.

![وارد کردن مسیر مفسر](https://quera.org/qbox/download/7k8zp43I5F/enter-or-find-interpreter.png) 

</details>

همواره می‌توانید اطلاعات مفسر انتخابی را در نوار وضعیت پایین صفحه مشاهده نمایید.

![اطلاعات مفسر انتخابی](https://quera.org/qbox/download/DRFsaz2IH7/selected-interpreter-status-bar.png) 

در صورتی‌که بخواهید مفسر انتخابی را تغییر دهید می‌توانید از میانبر `Ctrl+Shift+P` نیز استفاده کرده و سپس `Python: Select Interpreter` را تایپ و انتخاب کنید.

## ۳. اجرای فایل نت‌بوک
فایل‌های نت‌بوک با پسوند `.ipynb` شناخته و ذخیره می‌شوند. برای اجرای یک سلول از یک فایل نت‌بوک کافیست از دکمه‌های `Shift+Enter` (یا مشابه آن در مک) استفاده کنید.

برای انتخاب مفسر در یک نت‌بوک می‌توانید به‌راحتی بر روی نام مفسر کنونی در بالا سمت راست کلیک کنید تا لیست کامل نمایش داده شود و سپس گزینه‌ی موردنظر خود را انتخاب کنید.

![انتخاب مفسر در نت‌بوک](https://quera.org/qbox/download/uoUMTsVkjB/NotebookInterpreter.jpg) 

لازم به ذکر است در اولین اجرای یک نت‌بوک در *VS Code* ممکن است از شما سوالی در ارتباط با نصب `ipykernel` پرسیده شود. در این‌صورت نصب آن را تایید کنید.

## نصب فونت

در تهیه‌ی نت‌بوک‌های این دوره از فونت متن‌باز وزیر استفاده شده است. برای حفظ زیبایی نت‌بوک‌ها به شما پیشنهاد می‌کنیم این فونت را از [لینک اصلی](https://rastikerdar.github.io/vazirmatn) آن دانلود کرده و در سیستم خود نصب کنید. اگر از محیط گوگل کولب استفاده می‌کنید توجه داشته باشید که متاسفانه در حال حاضر نمی‌توان فونت متن‌ها را در این پلتفرم تغییر داد، البته در صورت علاقه می‌توانید فونت پیش‌فرض مرورگر خود را تغییر دهید تا در گوگل کولب هم فونت وزیر نمایش داده شود.

![فونت](https://quera.org/qbox/download/Wt4NhU0cXn/font.png)

سیستم‌های پیشنهاد دهنده