×
ribbon

آموزش طراحی و توسعه سیستم‌های پیشنهاد دهنده (Recommender Systems)

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، ... ادامه

ارائه دهنده:  مکتب‌خونه  مکتب‌خونه
3 (7 رای)
سطح: مقدماتی
 پلاس
  
زمان مورد نیاز برای گذارندن دوره:  27 ساعت
مجموع محتوای آموزشی:  6 ساعت ویدئو - 21 ساعت تمرین و پروژه
 (قابل دانلود می‌باشد)
مهلت دوره:  3 هفته
  
حد نصاب قبولی در دوره:  70 نمره
فارغ‌التحصیل شدن در این دوره نیاز به ارسال تمرین‌ها و پروژه‌های الزامی دارد. 
organization-pic  گواهینامه این دوره توسط مکتب‌خونه ارائه می‌شود.
course-feature   گواهی‌نامه مکتب‌خونه course-feature   خدمات منتورینگ course-feature   پروژه محور course-feature   تمرین و آزمون course-feature   تالار گفتگو course-feature   تسهیل استخدام

پیش‌نیاز‌ها

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.

 

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

فصل اول: مقدمه‌ای بر سیستم‌های پیشنهاد دهنده

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%    
"03:00  
  مراحل مختلف (Taskها) در یک سامانه پیشنهاد دهنده
"05:07  
  کوییز مراحل مختلف در یک سیستم پیشنهاد دهنده
 20%    
"02:00  
  روش‌های فیلتر کردن اقلام برای پیشنهاددهی
"03:30  
  کوییز روش‌های فیلتر کردن اقلام برای پیشنهاد دهی
 20%    
"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%    
"02:00  
  معرفی دیتاست MovieLens
"03:52  
  کوییز معرفی دیتاست MovieLens
 20%    
"01:00  
فصل دوم: بارگذاری داده‌ها با استفاده از کتابخانه TFDS

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%    
"01:00  
  بارگذاری دیتاست MovieLens
"16:36  
  کوییز بارگذاری دیتاست MovieLens
 20%    
"01:00  
  بررسی و نمایش داده‌ها در قالب Pandas DataFrame
"11:40  
  کوییز بررسی و نمایش داده‌ها در قالب Pandas DataFrame
 20%    
"01:00  
  انتخاب ویژگی‌ها (Feature Selection)
"11:58  
  کوییز انتخاب ویژگی‌ها (Feature Selection)
 20%    
"01:00  
  جداسازی دیتاست آموزش (Train) و آزمایش (Test)
"19:01  
  کوییز جداسازی دیتاست آموزش (Train) و آزمایش (Test)
 20%    
"01:00  
فصل سوم: پیش‌پردازش ویژگی‌ها با استفاده از Keras Preprocessing Layers

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)

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)

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)

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%    
"01:00  
  پیاده‌سازی مدل Ranking با استفاده از کتابخانه TFRS
"18:04  
  کوییز پیاده‌سازی مدل Ranking با استفاده از کتابخانه TFRS
 50%    
"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

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%    
"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%    
"01:00  
فصل هشتم: پروژه پایانی

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%    
"1200:00  

ویژگی‌های دوره

گواهی‌نامه مکتب‌خونه
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

ویژگی‌های دوره

خدمات منتورینگ
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.

ویژگی‌های دوره

پروژه محور
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.

ویژگی‌های دوره

تمرین و آزمون
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.

ویژگی‌های دوره

تالار گفتگو
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.

ویژگی‌های دوره

تسهیل استخدام
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.

بررسی فرصت‌های شغلی

درباره دوره

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.

درباره استاد

maktabkhooneh-teacher 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.

مشاهده پروفایل و دوره‌‌های استاد

نظرات کاربران  ( نظر)

صفحه 1 از
سیدمحمد مددی موسوی 1400-05-13
کمبود دوره‌های تخصصی فارسی مثل این دوره بهشدت حس میشه! دوره مباحث خوبی رو پوشش میده و البته مختصر و مفید که واقعا باب میل بود!
سیدمحسن محمودزاده 1400-07-26
مفاهیم دوره، برای شروع یادگیری مباحث پیشرفته ریکامندر سیستم ها و نیز تحقیقات عمیق تر توی این حوزه، بسیار مناسبه. کیفیت و سرعت تدریس مدرس هم خوبه اما می تونه سریعتر هم باشه. به طور کلی دوره ی مناسبی برای شروع مباحث ریکامندر سیستم ها هست. البته صدور گواهینامه ی دوره توسط تیم پشتیبانی مکتب خونه خیلی کند صورت گرفت که امیدواریم در آینده بهتر بشه.
مکتب‌خونه
همراه عزیز از اینکه نظر خود را با ما در میان گذاشتید صمیمانه سپاسگزاریم. در صورت فارغ التحصیل شدن در دوره و آپلود کارت ملی، گواهی نامه های مکتب خونه طی یک الی دو هفته کاری صادر می شود. گواهی نامه شما در حسابتان آپلود شده است.
فرهاد نظری 1401-11-12
دوره خوبی هست البته با این توضیح که عنوان آموزش درست نیست و باید گفت در این دوره فقط یک نوع سیستم پیشنهاد دهنده درس داده میشه که با دیپ لرنینگ یک ریکامندر سیستم ساخته میشه. متأسفانه در همین حد هم نکات اساسی گفته نمیشه و مدرس محترم به دایکیومنت های تنسورفلو ارجاع میده. دو مبحث اضافه کردن دیتابیس شخصی و اضافه کردن ویژگی های شخصی به مدل که کاربردی ترین قسمت چنین مدلی هستند گفته نشدند که عملاً این آموزش رو غیرکاربردی می کند.
رامین ابریشمی مقدم 1401-11-06
عملا برای سطح خیلی مبتدی مناسبه و اینکه خیلی دلسرد شدم وقتی انتظار داشتم اون نکات مهم رو برای اینکه بشه یه سیستم پیشنهاد دهنده خوب طراحی کرد رو نگفتن ، با این سیستم پشنهاد دهنده ای که اموزش دادن عملا به هیچ دردی نمیخوره

دوره‌های پیشنهادی

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.

سوالات پرتکرار

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.

سوالات پرتکرار

در صورت قبولی در دوره، آیا امکان دریافت نسخه فیزیکی گواهی نامه دوره را دارم؟
خیر، به دلیل مسائل زیست محیطی و کاهش قطع درختان، فقط نسخه الکترونیکی گواهی‌نامه در اختیار شما قرار می‌گیرد

سوالات پرتکرار

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.

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.

poster
  
برگزار کننده:  مکتب‌خونه
  
زمان مورد نیاز برای گذارندن دوره:  27 ساعت
مجموع محتوای آموزشی:  6 ساعت ویدئو - 21 ساعت تمرین و پروژه
 (قابل دانلود می‌باشد)
مهلت دوره:  3 هفته
  
حد نصاب قبولی در دوره:  70 نمره
فارغ‌التحصیل شدن در این دوره نیاز به ارسال تمرین‌ها و پروژه‌های الزامی دارد. 
organization-pic  گواهینامه این دوره توسط مکتب‌خونه ارائه می‌شود.
course-feature   گواهی‌نامه مکتب‌خونه course-feature   خدمات منتورینگ course-feature   پروژه محور course-feature   تمرین و آزمون course-feature   تالار گفتگو course-feature   تسهیل استخدام