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