Python数据分析行业案例:推荐系统
体系课

Python数据分析行业案例:推荐系统

  • 数据挖掘与分析

帮助学员学习在具体互联网业务背景下推荐系统的实战操作

¥349.9
本课程包括
  • 11小时22分钟的视频随时观看
  • 可在APP随时观看
  • 结业证书
你将收获
  • 帮助学员快速掌握互联网背景推荐系统的实战操作
  • 帮助学员学会熟练应用Pandas、sklearn等接口编程
  • 快速掌握推荐系统应用中的各类算法
  • 帮助学员产出实际可应用的业务分析模板,为后续工作带来便捷

数千家企业正在使用三节课企业版学习

无限制学习2000+门课程,200+精选学习专题

免费申请体验>
课程介绍

推荐系统在当今的互联网行业中正在起到不可或缺的作用,本课程基于实际案例,由推荐系统的概念、框架、评估体系等入手,完整实现了推荐系统中应用的各类算法,包括协同过滤、矩阵分解、基于内容的推荐算法、结合文本挖掘(词频矩阵、TF-IDF、word2vec)的推荐算法、关联分析、聚类分析在推荐算法中的应用方式等,相关代码可作为分析模板供学员在工作中直接套用。

【课程特色】

可作为业务分析模板:课程内容完全基于真实业务分析场景构建,提供全部编写的函数工具和源代码,可直接作为同类业务场景中的业务分析模板加以使用。

双案例课程结构:充分考虑到案例代表性和分析需求上的差异化,精选电影评分和云音乐歌单数据这两个业务案例,分别代表rating和non-rating这两类推荐系统将会面对的典型数据类型,更有利于拓展学员的分析能力。

适合人群
  • 适合企业内中高级数据分析师进一步提升自身实战能力
  • 适合精通行业分析应用的相关研究人员或工程师
  • 适合中高级Python数据分析师掌握推荐系统的关键技术
讲师介绍
博士,数据分析与挖掘专著的作者
擅长领域:
  • 数据挖掘与分析
张文彤老师拥有20+年数据分析/统计软件商业培训经验,精通业内广泛使用的SAS、SPSS、Modeler、R、Tableau、Python等数据分析/挖掘工具,曾作为SPSS官方培训师,从2001年起一手协助SPSS中国建立其培训体系 。
课程大纲
共0节 时长0分钟 全部收起
第1章 推荐系统综述
共13节 | 2小时51分钟
  • 1-1 课程介绍
    11分钟
  • 1-2 为什么会出现推荐系统
    20分钟
  • 1-3 推荐系统的常见形式
    12分钟
  • 1-4 推荐系统算法的基本思路
    18分钟
  • 1-5 推荐系统评测的三大步骤
    11分钟
  • 1-6 怎样才能算一个好的推荐系统?
    12分钟
  • 1-7 推荐系统模型评估:准确率
    14分钟
  • 1-8 推荐系统模型评估:其他指标
    12分钟
  • 1-9 推荐系统常用的相似度指标
    10分钟
  • 1-10 推荐系统中的一些基础模型
    12分钟
  • 1-11 电影评分数据集简介
    8分钟
  • 1-12 网易云音乐数据集简介
    21分钟
  • 1-13 云音乐数据集的预处理
    11分钟
第2章 Suprise包使用入门
共5节 | 51分钟
  • 2-1 suprise包简介
    7分钟
  • 2-2 suprise包实战:读取数据
    10分钟
  • 2-3 suprise包实战:数据拆分
    9分钟
  • 2-4 suprise包实战:模型的拟合与评估
    14分钟
  • 2-5 suprise包实战:模型的拟合与评估将模型结果用于推荐
    12分钟
第3章 协同过滤
共6节 | 1小时15分钟
  • 3-1 协同过滤概述
    18分钟
  • 3-2 ItemCF方法
    11分钟
  • 3-3 UserCF方法
    11分钟
  • 3-4 ml100k案例:筛选算法框架
    13分钟
  • 3-5 ml100k案例:模型参数调优
    11分钟
  • 3-6 ml100k案例:将模型结果用于推荐
    12分钟
第4章 矩阵分解
共4节 | 47分钟
  • 4-1 SVD的基本原理
    10分钟
  • 4-2 如何将SVD用于推荐系统
    17分钟
  • 4-3 VDpp与NMF
    6分钟
  • 4-4 SVD案例
    15分钟
第5章 基于内容的推荐算法
共7节 | 1小时10分钟
  • 5-1 CB方法的基本原理
    17分钟
  • 5-2 词袋模型
    7分钟
  • 5-3 用sklearn生成文档-词条矩阵
    12分钟
  • 5-4 ml案例:基于词频矩阵
    13分钟
  • 5-5 关键词提取的基本思路
    7分钟
  • 5-6 TF- IDF算法
    6分钟
  • 5-7 ml案例:基于TF-IDF实现
    9分钟
第6章 结合文本挖掘进行推荐
共13节 | 1小时54分钟
  • 6-1 如何将文本挖掘技术和内容推荐相结合
    8分钟
  • 6-2 分词原理讲解
    8分钟
  • 6-3 结巴分词的基本用法
    9分钟
  • 6-4 使用自定义词典和搜狗细胞词库
    10分钟
  • 6-5 去除停用词
    11分钟
  • 6-6 云音乐案例:基于词袋模型进行推荐
    9分钟
  • 6-7 从词袋模型到N-gram模型
    7分钟
  • 6-8 文本信息的分布式表示
    9分钟
  • 6-9 共现矩阵
    6分钟
  • 6-10 NNLM模型的突破
    5分钟
  • 6-11 Word2vec一出,满座皆惊
    15分钟
  • 6-12 文档相似度的doc2vec实现
    10分钟
  • 6-13 云音乐案例:基于词向量模型进行推荐
    7分钟
第7章 基于列表序列进行推荐
共3节 | 26分钟
  • 7-1 如何基于列表序列进行推荐
    10分钟
  • 7-2 云音乐案例:基于关联分析进行推荐
    9分钟
  • 7-3 云音乐案例:基于Word2vec进行推荐
    7分钟
第 8章 聚类方法在推荐系统中的应用
共6节 | 1小时29分钟
  • 8-1 聚类分析概述
    15分钟
  • 8-2 聚类分析的方法分类
    10分钟
  • 8-3 BIRCH聚类
    16分钟
  • 8-4 聚类分析在推荐系统中的应用思路
    11分钟
  • 8-5 云音乐案例:聚类分析的数据准备
    17分钟
  • 8-6 云音乐案例:具体建模操作
    20分钟
第9章 冷启动问题
共3节 | 38分钟
  • 9-1 冷启动概述
    17分钟
  • 9-2 用户冷启动的实现案例
    10分钟
  • 9-3 物品冷启动的实现案例
    11分钟
购课须知

课程有效期:

自购买课程之日起 365 天,部分参与营销活动产品以活动规则为准,请同学在有效期内学习、观看课程。

上课模式:

课程采取录播模式,请注意自学课无班级微信群、班主任带班及助教批改服务。

注:自学课不支持退款,确保你是真的需要再进行报名,报完名之后还请认真学习。