00:00 / 00:00
1.8x
1.4x
1.0x
0.7x
HD SD
HD
SD
ثبت‌نام رایگان
  • دسترسی به 8 جلسه نمونه از دوره
  • دسترسی به 8 جلسه نمونه از دوره
  • عضویت در تالار گفت‌وگوی دوره
  • اضافه شدن دوره به پروفایل
فقط محتوا
  • دسترسی کامل و نامحدود به محتوای دوره
  • تمام قابلیت‌‌های پلن رایگان
    +
  • دسترسی کامل و نامحدود به محتوا
149,000 تومان
دوره کامل
  • دسترسی به تمام قابلیت‌های دوره
  • تمام قابلیت‌های پلن محتوا
    +
  • گواهی‌نامه مکتب‌خونه
  • پروژه محور
  • تمرین و آزمون
  • تالار گفتگو
  • تسهیل استخدام
199,000 تومان
00:00 / 00:00
1.8x
1.4x
1.0x
0.7x
HD SD
HD
SD
مکتب‌خونه مکتب‌خونه

آموزش طراحی و توسعه سیستم‌های پیشنهاد دهنده (Recommender Systems)

دوره‌های مکتب‌پلاس
27 ساعت
85٪ (20 رای)

کاربرد دوره آموزش طراحی و توسعه سیستم‌های پیشنهاد دهنده (Recommender System) چیست؟

طی دهه‌های اخیر، با ظهور یوتیوب، آمازون، نتفلیکس و بسیاری از وب سرویس‌های دیگر، سیستم های پیشنهاد دهنده جایگاه ویژه‌ای در زندگی ما پیدا کرده‌اند. کاربرد این‌گونه سیستم‌ها در خدمات متنوعی از جمله تجارت الکترونیکی، تبلیغات آنلاین و حتی سفرهای آنلاین رومزه غیرقابل انکار است.

وقتی یک محصولی را به صورت آنلاین خریداری می‌کنید، ممکن است مقالاتی به شما پیشنهاد داده شود؛ یا حتی وقتی در اینترنت در حال گشت‌وگذار هستید، مطالبی مناسب با شما و طبق ترجیحاتتان برایتان نمایش داده می‌شود. این قبیل موارد که هر روزه با آن‌ها مواجه هستید، با کمک Recommender System ها امکان‌پذیر است.

با توجه به اهمیت سامانه‌های پیشنهاد دهنده در دنیای امروز، تصمیم گرفتیم دوره‌ای برای آموزش سیستم توصیه‌گر (Recommender Systems) طراحی کنیم. در این دوره بعد از معرفی این سیستم‌ها به روش ساخت آن‌ها با استفاده از تکنیک‌های مدرن هوش مصنوعی و یادگیری ماشین هم می‌پردازیم.

طی این دوره با مقدمات و مفاهیم بازیابی اطلاعات (Information Retrieval) و سامانه‌های توصیه‌گر، لزوم طراحی و استفاده از آن‌ها در وب‌سایت‌ها و اپلیکیشن‌ها و تاثیر این سامانه‌ها بر افزایش نرخ تبدیل (Conversion Rate) در کسب‌وکارهای آنلاین آشنا خواهید شد. پس از آشنایی با این موارد، مدرن‌ترین روش‌ها و متدهای روز دنیا برای پیاده‌سازی سیستم‌های پیشنهاددهنده در پایتون را بررسی خواهیم کرد.

دوره آموزش سیستم پیشنهاد دهنده تنها به این مباحث ختم نمی‌شود. مهم‌ترین بخش این دوره، تدریس گام به گام چگونگی پیاده‌سازی سیستم‌های پیشنهاد دهنده در پایتون است. طبق این برنامه آموزشی، شما یاد می‌گیرید که براساس علایق و سوابق جمع‌آوری شده از کاربران، با استفاده از هوش مصنوعی و شبکه‌های عصبی مصنوعی (Artificial Neural Networks) به کاربران خود فیلم پیشنهاد دهید. در این راستا از زبان برنامه‌نویسی Python و فریم‌ورک TensorFlow و Keras استفاده خواهیم کرد.

در این دوره آموزشی خواهید توانست از مفاهیم پایه و معرفی سیستم تا استقرار روی سرورهای عملیاتی را قدم به قدم فرا بگیرید. بنابراین اگر قصد آموزش عملی و صفر تا صد پیاده سازی سیستم‌های پیشنهاد دهنده را دارید، دوره آموزش طراحی و توسعه سیستم‌های پیشنهاد دهنده (Recommender Systems) مکتب‌خونه را به شما پیشنهاد می‌دهیم.

 

هدف از یادگیری دوره آموزش سیستم پیشنهاد دهنده چیست؟

همان‌طور که اشارده شد سیستم‌های پیشنهاد دهنده یکی از به‌روزترین شیوه‌های ارتقاء کسب‌وکار و جذب مشتری هستند. طبق پژوهش‌های انجام‌شده به طور قطع تا چندین سال آینده، این سیستم‌ها از مهم‌ترین مباحث موجود در کسب‌وکارها و دنیای دیجیتال خواهد بود.

بنابراین، دوره آموزشی طراحی و توسعه سیستم‌های پیشنهاد دهنده با هدف آشنایی دانشجویان، برنامه‌نویسان، مهندسان و مدیران کسب‌و‌کارهای آنلاین با سامانه توصیه گر، چگونگی پیاده‌سازی و استفاده از آن‌ها در کسب‌وکارها طراحی شده‌است.

 

دوره آموزش سیستم پیشنهاد دهنده مناسب چه کسانی است؟

  • مدیران کسب‌وکاری که قصد توسعه کسب‌وکار خود را دارند.
  • مهندسان و برنامه‌نویس‌هایی که به طراحی، پیاده‌سازی و استقرار این سیستم‌ها علاقه دارند.
  • دانشجویان و محققانی که قصد تحقیق و پژوهش در این حوزه مدرن را دارند.

 

بعد از فراگیری دوره آموزش سیستم پیشنهاد دهنده چه مهارت‌هایی کسب خواهید کرد؟

بعد از گذراندن این دوره به راحتی می‌توانید با استفاده از هوش مصنوعی و یادگیری ماشین، سیستم های پیشنهاد دهنده امروزی را برای استفاده در صنعت یا کار‌های پژوهشی، پیاده‌سازی و ارزیابی کنید.

  • اگر مدیر یک کسب‌وکار آنلاین هستید، از اهمیت سیستم‌های پیشنهاد دهنده آگاه خواهید شد و مهارت‌های کار با این سیستم‌ها را فرا خواهید گرفت.
  • اگر مهندس و برنامه‌نویس سیستم‌های نرم‌افزاری هستید، بعد از این دوره به راحتی خواهید توانست یک سامانه توصیه‌گر را طراحی، پیاده‌سازی و مستقر کنید.
  • اگر دانشجو یا محقق هستید، به راحتی می‌توانید به پیاده‌سازی و ارزیابی مقاله یا پایان‌نامه خود در زمینه سیستم‌های پیشنهاد دهنده بپردازید.

 

ویژگی های متمایز دوره آموزش سیستم‌های پیشنهاد دهنده مکتب‌پلاس چیست؟

روش‌های آموزشی استفاده شده در دوره آموزش سیستم‌های پیشنهاد دهنده ویژگی‌های منحصر به فردی دارد که شما را نسبت به نتیجه‌ی نهایی حاصل از فراگیری دوره مطمئن خواهد کرد. این ویژگی‌ها به شرح ذیل است:

  • به جای روش‌های کلاسیک، به مدرن‌ترین روش‌های روز (۲۰۲۱) که در سیستم‌های پیشنهاد دهنده YouTube و Google Play Store استفاده شده، پرداخته می‌شود.
  • کدهای مربوط به ساخت سیستم، قدم به قدم با استفاده از کتابخانه TensorFlow Recommenders زده شده و خط به خط توضیح داده می‌شود.
  • محدودیت‌ها و راه‌حل‌های استفاده از این سیستم‌ها در محیط واقعی با ترافیک بالا بررسی شده و یک سیستم عملیاتی کامل، بهینه و قابل استفاده در وبسایت و اپلیکیشن شما ساخته می‌شود.
  • مراحل استقرار این سیستم روی یک سرور Linux و با استفاده از Docker مرحله به مرحله بررسی می‌شود.

سرفصل‌های دوره آموزش طراحی و توسعه سیستم‌های پیشنهاد دهنده (Recommender Systems)

فصل اول: مقدمه‌ای بر سیستم‌های پیشنهاد دهنده
00:47 ساعت
00:37
Combined Shape Created with Sketch. 10 جلسه
بارم:
5%
نمایش جلسات فصل  

سامانه پیشنهاددهنده سعی می‌کند علایق و ترجیحات هرکدام از کاربران را شناسایی و پیش‌بینی کند و مطابق آن‌ها، آیتم‌های متناسبی را به‌صورت اختصاصی به هر کاربر ارائه دهد. حتماً تاکنون با این سیستم‌ها در سایت‌هایی مانند یوتیوب، نتفلیکس یا اسپاتیفای آشنا شده‌اید.

شرکت‌هایی که به مشتریان خود اهمیت می‌دهند، با پیاده‌سازی Recomender Systemها به بهبود تجربه کاربری کمک می‌کنند. نشان‌دادن پیشنهادهای کاملاً شخصی‌سازی شده به کاربران افزایش فروش را به همراه دارد. در واقع کاربران با دیدن محتوای موردعلاقه خود شگفت‌زده شده و بدون جستجوی اضافه می‌توانند خیلی سریع به محصول موردنظرشان دست یابند.

در فصل اول از دوره آموزش سیستم پیشنهاددهنده ابعاد بیشتری از این‌گونه سیستم‌ها، مراحل مختلف یک سیستم پیشنهاددهنده و ... را بررسی می‌کنیم.

سامانه پیشنهاد دهنده (Recommender System) چیست؟!
"07:47
کوییز سیستم‌های پیشنهاد دهنده
20.0%
     
"03:00
مراحل مختلف (Taskها) در یک سامانه پیشنهاد دهنده
"05:07
کوییز مراحل مختلف در یک سیستم پیشنهاد دهنده
20.0%
     
"02:00
روش‌های فیلتر کردن اقلام برای پیشنهاددهی
"03:30
کوییز روش‌های فیلتر کردن اقلام برای پیشنهاد دهی
20.0%
     
"02:00
نمایش (Representation) ویژگی‌های آشکار و نهان کاربران و اقلام به الگوریتم‌های یادگیری ماشین
"16:53
کوییز نمایش (Representation) ویژگی‌های آشکار و نهان کاربران و اقلام به الگوریتم‌های یادگیری ماشین
20.0%
     
"02:00
معرفی دیتاست MovieLens
"03:52
کوییز معرفی دیتاست MovieLens
20.0%
     
"01:00
فصل دوم: بارگذاری داده‌ها با استفاده از کتابخانه TFDS
01:11 ساعت
01:06
Combined Shape Created with Sketch. 10 جلسه
بارم:
5%
نمایش جلسات فصل  

کتابخانه Tensor Flow Datasets یکی از محبوب‌ترین کتابخانه‌های متن‌باز است که برای محاسبات عددی با کارایی بالا ایجاد شده‌است. از این کتابخانه به طور ویژه در یادگیری ماشین استفاده می‌شود. در این فصل با این کتابخانه و سایر دیتاست‌ها مانند movielens آشنا می‌شوید.

دیتاست movielens برای تست الگوریتم‌های داده‌کاوی به‌خصوص سیستم های پیشنهاد دهنده بسیار مفید هستند. به عنوان مثال دیتاست movielens شامل بیش از 100هزار امتیازی است که کاربران به فیلم‌ها داده‌اند. در فصل دوم از آموزش سیستم پیشنهاد دهنده علاوه بر آشنایی با دیتاست‌های محبوب، انتخاب ویژگی‌ها و جداسازی دیتاست آموزش و آزمایش را یاد می‌گیرید.

معرفی کتابخانه Tensor Flow Datasets
"07:11
کوییز معرفی کتابخانه Tensor Flow Datasets
20.0%
     
"01:00
بارگذاری دیتاست MovieLens
"16:36
کوییز بارگذاری دیتاست MovieLens
20.0%
     
"01:00
بررسی و نمایش داده‌ها در قالب Pandas DataFrame
"11:40
کوییز بررسی و نمایش داده‌ها در قالب Pandas DataFrame
20.0%
     
"01:00
انتخاب ویژگی‌ها (Feature Selection)
"11:58
کوییز انتخاب ویژگی‌ها (Feature Selection)
20.0%
     
"01:00
جداسازی دیتاست آموزش (Train) و آزمایش (Test)
"19:01
کوییز جداسازی دیتاست آموزش (Train) و آزمایش (Test)
20.0%
     
"01:00
فصل سوم: پیش‌پردازش ویژگی‌ها با استفاده از Keras Preprocessing Layers
01:37 ساعت
01:31
Combined Shape Created with Sketch. 12 جلسه
بارم:
6%
نمایش جلسات فصل  

سیستم‌های پیشنهاددهنده برای استخراج ویژگی‌های خاص هر کاربر از یادگیری عمیق بهره می‌گیرند. شبکه‌های عصبی عمیق نقش چشمگیری در پردازش متن، تشخیص گفتار، پیش‌بینی در حوزه‌های مختلف و غیره دارند. از این ویژگی‌ها می‌توان در پیاده‌سازی سیستم‌های پیشنهاددهنده به‌خوبی استفاده کرد؛ بنابراین این فصل از دوره آموزشی خود را به پیش‌پردازش داده‌های انواع ویژگی‌ها، نرمال‌سازی آن‌ها و استفاده از تکنیک‌های پردازش زبان طبیعی اختصاص داده‌ایم.

پیش‌پردازش داده‌های انواع ویژگی‌ها و ساخت مدل‌های End-to-End
"19:34
کوییز پیش‌پردازش داده‌های انواع ویژگی‌ها و ساخت مدل‌های End-to-End
16.7%
     
"01:00
نرمال‌سازی داده‌های یک ویژگی عددی (Numerical)
"10:48
کوییز نرمال‌سازی داده‌های یک ویژگی عددی (Numerical)
16.7%
     
"01:00
پیش‌پردازش ویژگی‌های دسته‌ای (Categorical) مانند "شناسه کاربر" و تبدیل آن‌ها به بردار Embedding
"21:43
کوییز پیش‌پردازش ویژگی‌های دسته‌ای (Categorical) مانند "شناسه کاربر" و تبدیل آن‌ها به بردار Embedding
16.7%
     
"01:00
به‌دست آوردن بردار Embedding برای ویژگی "شناسه فیلم"
"10:09
کوییز به‌دست آوردن بردار Embedding برای ویژگی "شناسه فیلم"
16.7%
     
"01:00
پیش‌پردازش ویژگی‌های متنی (Textual) با تکنیک‌های پردازش زبان طبیعی (NLP)
"22:29
کوییز پیش‌پردازش ویژگی‌های متنی (Textual) با تکنیک‌های پردازش زبان طبیعی (NLP)
16.7%
     
"01:00
مدلی برای نمایش Query ها و Candidate ها در شبکه عصبی دو برجی (Two-Tower Neural Networks)
"06:21
کوییز مدلی برای نمایش Query ها و Candidate ها در شبکه عصبی دو برجی (Two-Tower Neural Networks)
16.7%
     
"01:00
فصل چهارم: ساخت یک مدل بازیابی اطلاعات (Retrieval Task)
01:32 ساعت
01:24
Combined Shape Created with Sketch. 16 جلسه
بارم:
8%
نمایش جلسات فصل  

در فصل چهارم به شما آموزش می‌دهیم که چگونه با استفاده از ویژگی‌های جانبی، مشکلات سیستم‌های پیشنهاددهنده مانند مشکل شروع سرد را از بین ببرید. همچنین در این فصل با تسک بازیابی اطلاعات، ساخت مدل بازیابی اطلاعات با استفاده از کتابخانه TFRS و همچنین آموزش و ارزیابی این مدل با کمک توابعی مانند Keras آشنا می‌شوید.

استفاده از ویژگی‌های جانبی (Side Features) برای غلبه بر مشکل Cold Start
"08:44
کوییز استفاده از ویژگی‌های جانبی (Side Features) برای غلبه بر مشکل Cold Start
12.5%
     
"01:00
مقدمه‌ای بر Retrieval Task
"08:36
کوییز مقدمه‌ای بر Retrieval Task
12.5%
     
"01:00
استفاده ضمنی (Implicit) از دیتاست MovieLens برای انجام تسک بازیابی اطلاعات
"15:41
کوییز استفاده ضمنی (Implicit) از دیتاست MovieLens برای انجام تسک بازیابی اطلاعات
12.5%
     
"01:00
معرفی کتابخانه TensorFlow Recommenders
"04:11
کوییز معرفی کتابخانه TensorFlow Recommenders
12.5%
     
"01:00
پیاده‌سازی لایه Retrieval با استفاده از کتابخانه TFRS
"13:40
پیاده‌سازی لایه Retrieval با استفاده از کتابخانه TFRS
12.5%
     
"01:00
ساخت مدل Retrieval دو برجی با استفاده از کتابخانه TFRS
"12:32
کوییز ساخت مدل Retrieval دو برجی با استفاده از کتابخانه TFRS
12.5%
     
"01:00
آموزش (Fit) و ارزیابی (Evaluation) مدل بازیابی اطلاعات با استفاده از توابع Keras
"15:36
کوییز آموزش (Fit) و ارزیابی (Evaluation) مدل بازیابی اطلاعات با استفاده از توابع Keras
12.5%
     
"01:00
رسم نمودار تغییرات خطا (Loss) هنگام آموزش مدل با استفاده از کتابخانه Matplotlib
"05:27
کوییز رسم نمودار تغییرات خطا (Loss) هنگام آموزش مدل با استفاده از کتابخانه Matplotlib
12.5%
     
"01:00
فصل پنجم: جستجوی نزدیک‌ترین همسایگی‌ها (K-nearest Neighbors)
00:50 ساعت
00:47
Combined Shape Created with Sketch. 6 جلسه
بارم:
3%
نمایش جلسات فصل  

الگوریتم نزدیک‌ترین همسایگی از رایج‌ترین و پرکاربردترین الگوریتم‌ها برای مسائل طبقه‌بندی و رگرسیون است. از طرفی یکی از بهترین روش‌ها برای حل مسائل جستجوی Brute force است. با کمک این فصل می‌توانید جستجوی K نزدیک‌ترین همسایگی را به‌صورت Brute force و همچنین با استفاده از کتابخانه Google ScaNN پیاده‌سازی کنید.

همچنین در این فصل شما یاد می‌گیرید که مدل آموزش‌دیده خود را در محیط Google Colab ذخیره کنید. سیستم Google Colab یکی از مهم‌ترین و قدرتمندترین سیستم‌های پردازشگر متن دنیاست. این سیستم یکی از محصولات عمومی شرکت گوگل است که شما می‌توانید به‌صورت کاملاً رایگان برنامه‌های کامپیوتری سنگین خود را با سرعت بالا در آن اجرا کنید. همچنین می‌توانید پکیج‌ها یا کتابخانه‌های دلخواه خود را به این سیستم اضافه کرده و از آن استفاده کنید.

جستجوی KNN به صورت Brute-force
"18:51
کوییز جستجوی KNN به صورت Brute-force
33.3%
     
"01:00
جستجوی KNN به صورت تقریبی با استفاده از کتابخانه Google ScaNN
"15:29
کوییز جستجوی KNN به صورت تقریبی با استفاده از کتابخانه Google ScaNN
33.3%
     
"01:00
ذخیره مدل آموزش‌دیده در محیط Google Colab و انتقال آن به Google Drive
"12:55
کوییز ذخیره مدل آموزش‌دیده در محیط Google Colab و انتقال آن به Google Drive
33.3%
     
"01:00
فصل ششم: ساخت یک مدل رتبه‌بندی (Ranking Task)
00:36 ساعت
00:34
Combined Shape Created with Sketch. 5 جلسه
بارم:
2%
نمایش جلسات فصل  

در این فصل با تسک ranking و چگونگی ساخت و پیاده‌سازی آن آشنا می‌شوید. شما با استفاده از کتابخانه TFRS می‌توانید این مدل را پیاده‌سازی کنید و با کمک توابع Keras به آموزش و ارزیابی آن بپردازید.

مقدمه‌ای بر تسک Ranking
"10:10
کوییز مقدمه‌ای بر تسک Ranking
50.0%
     
"01:00
پیاده‌سازی مدل Ranking با استفاده از کتابخانه TFRS
"18:04
کوییز پیاده‌سازی مدل Ranking با استفاده از کتابخانه TFRS
50.0%
     
"01:00
آموزش (Fit) و ارزیابی (Evaluation) مدل رتبه‌بندی با استفاده از توابع Keras
"06:29
فصل هفتم: استقرار مدل هوش مصنوعی با استفاده از TF Serving
00:25 ساعت
00:23
Combined Shape Created with Sketch. 4 جلسه
بارم:
2%
نمایش جلسات فصل  

در این فصل می‌خواهیم به شما آموزش دهیم که چگونه مدل هوش مصنوعی خود را در یک محیط عملیاتی واقعی پیاده‌سازی کنید. با استفاده از داکر و TensorFlow Serving می‌توانید این کار را انجام دهید. در واقع در این فصل می‌توانید یک پروژه واقعی از سیستم‌هایی پیشنهاددهنده را روی سرورهای عملیاتی و لینوکس مستقر کنید.

آشنایی با داکر و TensorFlow Serving برای استقرار یک مدل یادگیری ماشین روی سرور عملیاتی
"10:20
کوییز آشنایی با داکر و TensorFlow Serving برای استقرار یک مدل یادگیری ماشین روی سرور عملیاتی
50.0%
     
"01:00
اجرای TensorFlow Serving روی سرور لینوکس و ارسال درخواست HTTP برای دریافت لیست اقلام پیشنهادی
"12:55
کوییز اجرای TensorFlow Serving روی سرور لینوکس و ارسال درخواست HTTP برای دریافت لیست اقلام پیشنهادی
50.0%
     
"01:00
فصل هشتم: پروژه پایانی
20:00 ساعت
Combined Shape Created with Sketch. 1 جلسه
بارم:
69%
نمایش جلسات فصل  

در طول این دوره توانستیم با استفاده از دیتاست MovieLens یک سامانه پیشنهاد فیلم را مرحله به مرحله پیاده‌سازی کنیم. حال که استفاده از دیتاست و طراحی و پیاده‌سازی سامانه‌های پیشنهاددهنده را یاد گرفتید، باید بتوانید با استفاده از هر دیتاستی یک سامانه پیشنهاددهنده بسازید. در این فصل با دنبال‌کردن گام‌های ذکر شده می‌توانید به‌تنهایی یک پروژه طراحی سامانه پیشنهاددهنده را انجام دهید.

پروژه پایانی

 (الزامی)

100.0%
     
'20:00

تالار گفت‌وگو

استاد دوره
حمیدرضا حسین‌خانی حمیدرضا حسین‌خانی

حمیدرضا حسین‌خانی، دانش‌آموخته مهندسی نرم‌افزار و کارشناسی ارشد هوش مصنوعی و رباتیک است. 
او از سال ۹۲ به‌عنوان مهندس نرم‌افزار وارد صنعت شد و همکاری با استارتاپ‌های خوش‌نام و در حال رشدی مثل ایران‌اپس، دیجی‌کالا، دیجی استایل، اسنپ و بامیلو در سمت‌های مختلف مهندسی، مدیریت و مشاوره را در کارنامه‌ی خود دارد.

ایشان بیش از ۱۰ سال از سوابق حرفه‌ای خود را مشغول تدریس در کارگاه‌های مختلف برنامه‌نویسی، رباتیک و هوش مصنوعی در مدارس، پژوهش‌سرا‌ها، دانشگاه‌ها و همین‌طور آموزشگاه‌هایی چون لایتک دانشگاه صنعتی شریف، هواپیمایی هما و شبکه ملی مدارس ایران (رشد) بوده‌است. همین‌طور منتور تعداد زیادی از تیم‌های شرکت‌کننده در مسابقات مختلف برنامه‌نویسی، رباتیک و روبوکاپ و داور و برگزار‌کننده اولین دوره‌ی مسابقات دانش‌آموزی برنامه‌نویسی موبایل در دانشگاه صنعتی شریف (Nadcup 2016) است.

او از نمایندگان بنیاد جهانی School of AI در ایران است که در زمینه ترویج و آموزش هوش مصنوعی به دانشجویان و استارتاپ‌ها فعالیت می‌کند. همچنین، ایشان از سال 99 به عنوان مدرس دروس دوره لیسانس دانشکده کامپیوتر دانشگاه صنعتی شریف مشغول به کار شده‌است.

اطلاعات بیشتر
درباره گواهینامه
مکتب‌خونه مکتب‌خونه
حد نصاب قبولی در دوره:
70.0 نمره
فارغ‌التحصیل شدن در این دوره نیاز به ارسال تمرین‌ها و پروژه‌های الزامی دارد.

پیش‌نیاز‌های دوره آموزش طراحی و توسعه سیستم‌های پیشنهاد دهنده (Recommender Systems)

دوره آموزش پیاده‌سازی سیستم‌های پیشنهاد دهنده بر پایه زبان پایتون طراحی شده‌است. بنابراین توصیه می‌کنیم از قبل برنامه‌نویسی به زبان پایتون را فرا بگیرید. به علاوه برای شرکت در این دوره باید با مفاهیم پایه هوش مصنوعی و یادگیری ماشین آشنایی داشته باشید.

در طول دوره از منابع و نرم‌افزارهایی استفاده شده‌است که برای راحتی شما عزیزان لیستی از این الزامات را آورده‌ایم:

  • در این دوره از زبان برنامه‌نویسی Python در محیط برنامه‌نویسی Google Colab استفاده می‌شود.
  • برای ساخت Recommender System فیلم از مجموعه داده MovieLens شامل ۱۰۰هزار امتیاز کاربران به فیلم‌ها استفاده شده‌است.
  • برای خواندن اطلاعات و بارگذاری داده‌ها از کتابخانه TensorFlow Datasets و برای پیاده‌سازی سیستم‌های پیشنهاد دهنده در پایتون از کتابخانه TensorFlow Recommenders و Keras API استفاده شده‌است.
  • برای یافتن آیتم‌های مشابه از میان انبوه اطلاعات (Similar Vectors) از کتابخانه ScaNN استفاده شده‌است.
  • برای استقرار مدل یادگیری ماشین روی سرور Linux از Docker Container مربوط به سرور TF Serving استفاده شده‌است.

توصیه می‌کنیم اگر قصد حرفه‌ای شدن در این حوزه را دارید از دوره‌های مکمل یادگیری عمیق با استفاده از Tensorflow و Keras بهره بگیرید.

 

آموزش برنامه‌نویسی با پایتون (پیشرفته)
اطلاعات بیشتر
آموزش پایتون مقدماتی
اطلاعات بیشتر
آموزش رایگان یادگیری ماشین (Andrew NG)
اطلاعات بیشتر

ویژگی‌های دوره آموزش طراحی و توسعه سیستم‌های پیشنهاد دهنده (Recommender Systems)

Combined Shape1 Created with Sketch. گواهی‌نامه مکتب‌خونه

در صورت قبولی در دوره، گواهی نامه رسمی پایان دوره توسط مکتب‌خونه به اسم شما صادر شده و در اختیار شما قرار می گیرد.

 

مشاهده نمونه گواهینامه

خدمات منتورینگ

خدمات منتورینگ به معنای برخورداری دانشجو از راهنما یا پشتیبان علمی در طول گذراندن دوره می‌باشد. این خدمات شامل پاسخگویی به سوالات آموزشی(در قالب تیکتینگ)، تصحیح آزمون یا پروژه های دوره و ارائه باز خورد موثر به دانشجو می‌باشد.

پروژه محور

این دوره طوری طراحی شده است که محتوای آموزشی دوره حول چند پروژه واقعی و کاربردی هستند تا یادگیری دانشجو در طول دوره به کاربردهای عملی تبدیل شود و به این ترتیب بالاترین سطح یادگیری را فراهم نمایند.

تمرین و آزمون

با قرار گرفتن تمرین ها و آزمون های مختلف در طول دوره، محیطی تعاملی فراهم شده است تا بهره گیری از محتوا و یادگیری بهتر و عمیق تر شود.

تالار گفتگو

شما می توانید از طریق تالار گفتگو با دیگر دانشجویان دوره در ارتباط باشید، شبکه روابط حرفه ای خود را تقویت کنید یا سوالات مرتبط با دوره خود را از دیگر دانشجویان بپرسید.

تسهیل استخدام

در صورت قبولی در دوره، شما می‌توانید با وارد کردن اطلاعات آن در بخش دوره‌های آموزشی رزومه‌ساز «جاب ویژن»، تایید مهارت خود را در قالب اضافه شدن «مدال مهارت» به روزمه آنلاین خود دریافت نمایید. این مدال علاوه بر ایجاد تمایز در نمایش رزومه شما، باعث بالاتر قرار گرفتن آن در لیست انبوه رزومه‌های ارسالی به کارفرما شده و بدین ترتیب شانس شما را برای استخدام در سازمانهای موفق و پر متقاضی افزایش می‌دهد. 

 

مشاهده اطلاعات بیشتر

نظرات 

تا کنون نظری برای این دوره ثبت نشده است. برای ثبت نظر باید ابتدا در دوره ثبت نام کرده و دانشجوی دوره باشید.

سوالات پرتکرار

آیا در صورت خرید دوره، گواهی نامه آن به من تعلق می گیرد؟
خیر؛ شما با خرید دوره می توانید در آن دوره شرکت کنید و به محتوای آن دسترسی خواهید داشت. در صورتی که در زمان تعیین شده دوره را با نمره قبولی بگذرانید، گواهی نامه دوره به نام شما صادر خواهد شد.
حداقل و حداکثر زمانی که می توانم یک دوره را بگذرانم چقدر است؟
برای گذراندن دوره حداقل زمانی وجود ندارد و شما می توانید در هر زمانی که مایل هستید فعالیت های مربوطه را انجام دهید. برای هر دوره یک حداکثر زمان تعیین شده است که در صفحه معرفی دوره می توانید مشاهده کنید که از زمان خرید دوره توسط شما تنها در آن مدت شما از ویژگی های تصحیح پروژه ها توسط پشتیبان و دریافت گواهی نامه بهره مند خواهید بود.
در صورت قبولی در دوره، آیا امکان دریافت نسخه فیزیکی گواهی نامه دوره را دارم؟
پس از صدور گواهی نامه، نسخه الکترونیکی گواهی نامه در اختیار شما قرار می گیرد. در صورت درخواست شما، نسخه فیزیکی گواهی نامه نیز می تواند برای شما ارسال شود. هزینه ارسال بر عهده کاربر خواهد بود.
پس از سپری شدن زمان دوره، به محتوای دوره دسترسی خواهم داشت؟
بله؛ پس از سپری شدن مدت زمان دوره شما به محتوای دوره دسترسی خواهید داشت و می توانید از ویدئوها، تمارین، پروژه و دیگر محتوای دوره در صورت وجود استفاده کنید ولی امکان تصحیح تمارین توسط پشتیبان و دریافت گواهی نامه برای شما وجود نخواهد داشت.

اطلاعات بیشتر

به طور کلی، سیستم های توصیه گر یا سیستم های پیشنهاد دهنده الگوریتم‌هایی هستند که هدف آن‌ها پیشنهاد دادن موارد مرتبط با کاربران است. پیشنهاد فیلم برای تماشا، متن برای خواندن، محصول برای خرید یا هرچیز دیگری از جمله این موارد هستند. بسته به صنعتی که در آن فعالیت دارید، می‌توانید از سیستم پیشنهاد دهنده برای جذب مخاطب استفاده کنید.

پیاده‌سازی سیستم‌های پیشنهاد دهنده در بعضی از صنایع واقعا حیاتی هستند؛ چرا که اگر کارایی لازم و کافی را داشته باشند، درآمد قابل توجهی را برایتان به ارمغان خواهند آورد. برای اثبات اهمیت این موضوع می‌توانیم به Netflix اشاره کنیم. این شرکت حاضر است برای ده درصد بهبود در سامانه توصیه گر فیلم خود مبلغ یک میلیون دلار بپردازد!

سیستم‌های پیشنهاد دهنده از دو منظر دسته‌بندی می‌شوند؛ تقسیم‌بندی محصولی و تقسیم‌بندی الگوریتمی. تقسیم‌بندی محصولی ریکامندر سیستم‌ها شامل دو دسته آیتم‌محور و کاربرمحور است. توصیه‌هایی که در دسته آیتم‌محور به کاربر داده می‌شود، برای یک آیتم خاص است. در این حالت اگر وارد صفحه‌ای از یک سایت شوید، یک مطلب در ارتباط با عنوان همان صفحه به شما نمایش داده می‌شود.

سیستم‌های پیشنهاد دهنده کاربرمحور براساس سلیقه کاربر پیشنهاد ارائه می‌دهند. مثلا اگر یک برنامه‌نویس پایتون باشید و وارد یک سایت شوید، مطلبی در ارتباط با پایتون به شما نمایش داده خواهد شد. این سیستم‌ها را از منظر الگوریتم و دیتای ورودی هم می‌توان به دو دسته محتوا محور و بازدید محور تقسیم می‌کنند. در دسته محتوا محور، سامانه توصیه گر محتوای آیتم‌ها را تحلیل کرده و نزدیک‌ترین مطلب یا محصول را نمایش می‌دهد. ریکامندر سیستم‌های بازدید محور بدون توجه به محتوای آیتم‌ها، از دیتای بازدید کاربران سایت استفاده می‌کند. مثلا در یک سایت، سامانه پیشنهاد دهنده بین دو کاربر شباهت پیدا کرده و یک محصول را به هردوی آن‌ها پیشنهاد می‌دهد.

سیستم‌های پیشنهاد دهنده در پایتون از روش‌های مختلفی می‌توانند به علایق کاربران دست یابند و آن‌ها را پیش‌بینی کنند. آن‌ها از ماتریس‌هایی برای شناسایی رابطه بین موجودیت آیتم و کاربران استفاده می‌کنند. علاوه‌براین، سیستم‌های پیشنهاد دهنده برای استخراج ویژگی‌های خاص هر کاربر از یادگیری عمیق بهره می‌گیرند. شبکه‌های عصبی عمیق نقش چشم‌گیری در پردازش متن، تشخیص گفتار، پیش‌بینی در حوزه‌های مختلف و غیره دارند. از این ویژگی‌ها می‌توان در پیاده سازی سیستم‌های پیشنهاد دهنده به خوبی استفاده کرد.

×

ثبت نظر

به این دوره از ۱ تا ۵ چه امتیازی می‌دهید؟

فصل اول: مقدمه‌ای بر سیستم‌های پیشنهاد دهنده
00:47 ساعت
00:37
Combined Shape Created with Sketch. 10 جلسه
بارم:
5%
نمایش جلسات فصل  

سامانه پیشنهاددهنده سعی می‌کند علایق و ترجیحات هرکدام از کاربران را شناسایی و پیش‌بینی کند و مطابق آن‌ها، آیتم‌های متناسبی را به‌صورت اختصاصی به هر کاربر ارائه دهد. حتماً تاکنون با این سیستم‌ها در سایت‌هایی مانند یوتیوب، نتفلیکس یا اسپاتیفای آشنا شده‌اید.

شرکت‌هایی که به مشتریان خود اهمیت می‌دهند، با پیاده‌سازی Recomender Systemها به بهبود تجربه کاربری کمک می‌کنند. نشان‌دادن پیشنهادهای کاملاً شخصی‌سازی شده به کاربران افزایش فروش را به همراه دارد. در واقع کاربران با دیدن محتوای موردعلاقه خود شگفت‌زده شده و بدون جستجوی اضافه می‌توانند خیلی سریع به محصول موردنظرشان دست یابند.

در فصل اول از دوره آموزش سیستم پیشنهاددهنده ابعاد بیشتری از این‌گونه سیستم‌ها، مراحل مختلف یک سیستم پیشنهاددهنده و ... را بررسی می‌کنیم.

سامانه پیشنهاد دهنده (Recommender System) چیست؟!
"07:47
کوییز سیستم‌های پیشنهاد دهنده
20.0%
     
"03:00
مراحل مختلف (Taskها) در یک سامانه پیشنهاد دهنده
"05:07
کوییز مراحل مختلف در یک سیستم پیشنهاد دهنده
20.0%
     
"02:00
روش‌های فیلتر کردن اقلام برای پیشنهاددهی
"03:30
کوییز روش‌های فیلتر کردن اقلام برای پیشنهاد دهی
20.0%
     
"02:00
نمایش (Representation) ویژگی‌های آشکار و نهان کاربران و اقلام به الگوریتم‌های یادگیری ماشین
"16:53
کوییز نمایش (Representation) ویژگی‌های آشکار و نهان کاربران و اقلام به الگوریتم‌های یادگیری ماشین
20.0%
     
"02:00
معرفی دیتاست MovieLens
"03:52
کوییز معرفی دیتاست MovieLens
20.0%
     
"01:00
فصل دوم: بارگذاری داده‌ها با استفاده از کتابخانه TFDS
01:11 ساعت
01:06
Combined Shape Created with Sketch. 10 جلسه
بارم:
5%
نمایش جلسات فصل  

کتابخانه Tensor Flow Datasets یکی از محبوب‌ترین کتابخانه‌های متن‌باز است که برای محاسبات عددی با کارایی بالا ایجاد شده‌است. از این کتابخانه به طور ویژه در یادگیری ماشین استفاده می‌شود. در این فصل با این کتابخانه و سایر دیتاست‌ها مانند movielens آشنا می‌شوید.

دیتاست movielens برای تست الگوریتم‌های داده‌کاوی به‌خصوص سیستم های پیشنهاد دهنده بسیار مفید هستند. به عنوان مثال دیتاست movielens شامل بیش از 100هزار امتیازی است که کاربران به فیلم‌ها داده‌اند. در فصل دوم از آموزش سیستم پیشنهاد دهنده علاوه بر آشنایی با دیتاست‌های محبوب، انتخاب ویژگی‌ها و جداسازی دیتاست آموزش و آزمایش را یاد می‌گیرید.

معرفی کتابخانه Tensor Flow Datasets
"07:11
کوییز معرفی کتابخانه Tensor Flow Datasets
20.0%
     
"01:00
بارگذاری دیتاست MovieLens
"16:36
کوییز بارگذاری دیتاست MovieLens