首页 › 优质课程 › Python数据分析行业案例课程--推荐系统

Python数据分析行业案例课程--推荐系统 📚 含课件资料

超级管理员官方

22天前更新

25浏览 0下载

私信下载

积分兑换请使用积分兑换本资源，或开通会员免费下载

🏅 140 积分

VIP会员免费

SVIP会员免费

会员每日免费下载额度： 普通用户：0 个 · VIP会员：2 个 · SVIP会员：10 个

联系客服

第一章推荐系统概述（上）

1. 试看课程内容介绍

2. 为什么会出现推荐系统？

3. 推荐系统的常见形式

4. 推荐系统算法的基本思路

5. 推荐系统评测的三大步骤

6. 怎样才能算一个好的推荐系统？

7. 推荐系统的评估：准确率

8. 推荐系统的评估：其余指标

9. 本课程案例数据及文档下载

第二章推荐系统概述（下）

1. 推荐系统常用的相似度指标

2. 推荐系统中的一些基础模型

3. 电影评分数据集简介

4. 云音乐数据集简介

5. 云音乐数据集的预处理

第三章 Suprise包使用入门

1. Surpise包简介

2. Surpise包实战：读取数据

3. Surpise包实战：数据拆分

4. Surpise包实战：模型的拟合与评估

5. Surpise包实战：将结果用于推荐

第四章协同过滤

1. 协同过滤概述

2. ItemCF方法

3. UserCF方法

4. 【复习】KNN的基本原理

5. ML100k案例：筛选算法框架

6. ML100k案例：模型参数调优

7. ML100k案例：将结果用于推荐

第五章矩阵分解

1. 【复习】主成分分析的基本原理

2. SVD的基本原理

3. 如何将SVD用于推荐系统

4. SVD++与NMF简介

5. ML1m案例

第六章基于内容的推荐算法

1. CB类方法的基本原理

2. 【复习】词袋模型

3. 【复习】用sklearn生成文档-词条矩阵

4. ML案例：基于词频矩阵实现

5. 【复习】关键词提取的基本思路

6. 【复习】TF-IDF算法

7. ML案例：基于TF-IDF实现

第七章结合文本挖掘进行推荐

1. 如何将文本挖掘技术和内容推荐相结合

2. 【复习】分词原理简介

3. 【复习】结巴分词的基本用法

4. 【复习】使用自定义词典和搜狗细胞词库

5. 【复习】去除停用词

6. 云音乐案例：基于词袋模型进行推荐

7. 【复习】从词袋模型到N-gram模型

8. 【复习】文本信息的分布式表示

9. 【复习】共现矩阵

10. 【复习】NNLM模型的突破

11. 【复习】word2vec一出，满座皆惊

12. 【复习】文档相似度的doc2vec实现

13. 云音乐案例：基于词向量模型进行推荐

第八章基于列表序列进行推荐

1. 如何基于列表序列进行推荐

2. 【复习】关联分析的数据格式与结果格式

3. 【复习】Apriori算法的原理与实现

4. 云音乐案例：基于关联分析进行推荐

5. 【复习】词条相似度：word2vec训练

6. 【复习】词条相似度：word2vec应用

7. 云音乐案例：基于词向量模型进行推荐

第九章聚类方法在推荐系统中的应用

1. 【复习】聚类分析概述

2. 【复习】聚类分析的方法分类

3. 【复习】BIRCH聚类

4. 聚类分析在推荐系统中的应用思路

5. 云音乐案例：数据准备

6. 云音乐案例：具体建模操作

第十章冷启动问题

1. 冷启动概述

2. 用户冷启动的实现案例

3. 物品冷启动的实现案例

📌 说明介绍：

本站全部素材资源均通过互联网公开渠道收集、整理与归档，所有内容仅面向个人学习、技术研究、交流参考使用，不得用于任何商业用途、二次分发或其他侵权行为。
本站向用户收取的相关费用，仅用于素材搜集整理、服务器托管、网站运维、安全维护等平台运营成本支出，该费用不代表素材源码文档等资源本身的实际价值。
若您是相关作品的著作权人，发现本站上架内容未经授权、存在侵权问题，请联系我们，我们收到并核实后，会在最短时间内下架对应资源。