Visão Geral

Início rápido para projetar, construir e implantar modelos de recomendação escalonáveis ​​usando Python, Pandas, Pinecone e muito mais

No cenário digital atual, os sistemas de recomendação são a força motriz por trás de muitas das experiências personalizadas que encontramos diariamente. Pense na precisão com que plataformas como Netflix ou Spotify atendem aos gostos individuais; essa é a magia dos sistemas de recomendação em ação. Nosso curso intensivo de dois dias, Construindo sistemas de recomendação usando Python , irá mergulhar você no mundo cativante da personalização baseada em dados.

A jornada começa com uma base sólida, familiarizando você com os conceitos básicos e os diversos tipos de sistemas de recomendação. À medida que você se aprofunda, você aproveitará os recursos robustos da biblioteca Pandas, uma ferramenta crucial para manipulação de dados, preparando o terreno para a construção de recomendadores rudimentares e avançados baseados em conteúdo. A partir daqui, o curso se aventura nas complexidades das técnicas de mineração de dados, permitindo uma compreensão e aplicação mais ricas dos princípios de recomendação.

O valor central deste curso reside na sua abordagem prática. Você não apenas navegará pelas águas teóricas, mas também embarcará em uma aventura prática com o PineCone, uma ferramenta inovadora no domínio do aprendizado de máquina. Isso garante uma experiência de aprendizado abrangente, preparando você para criar e implantar modelos de recomendação escalonáveis ​​de maneira adequada.

Ao concluir este Curso Applied AI: Building Recommendation Systems With Python, você estará familiarizado com as nuances dos sistemas de recomendação, capacitado com as habilidades para projetar, implementar e otimizar esses sistemas, preparando-o para elevar as experiências do usuário, aumentar o envolvimento do cliente e conduzir decisões informadas em diversos plataformas digitais.

Objetivo

Após concluir este Curso Applied AI: Building Recommendation Systems With Python, você será capaz de:

• Ser capaz de distinguir com segurança entre os diferentes tipos de sistemas de recomendação.
• Domine a biblioteca Pandas, equipando você para moldar e preparar dados para seus recomendadores.
• Obtenha experiência prática na criação de sistemas de recomendação baseados em conteúdo básicos e complexos, permitindo projetar sistemas que realmente se alinhem às necessidades e preferências do usuário.
• Domine o mundo das técnicas de mineração de dados, desde clustering até redução de dimensionalidade. Você se tornará especialista em analisar dados para descobrir esses insights importantes.
• Explore a filtragem colaborativa baseada em usuário e em itens, garantindo que suas recomendações sejam corretas.
•  Ser capaz de projetar recomendadores e implantá-los no mundo real usando ferramentas inovadoras como o PineCone.

Publico Alvo

• Desenvolvedores web experientes
• Analistas de dados
• Engenheiros de aprendizado de máquina
• Designers de experiência do usuário
• Gerentes de produtos digitais

Pre-Requisitos

• Proficiência básica em Python: É essencial compreender a sintaxe, as estruturas e os conceitos básicos de programação fundamentais do Python.
• Familiaridade com análise básica de dados: Alguma exposição a conceitos elementares de análise de dados, mesmo que não aprofundados, será benéfica.

Materiais

Conteúdo Programatico

Getting Started with Recommender Systems

1. Technical requirements
2. What is a recommender system?
3. Types of recommender systems
4. Hands-on Activity / Lab

Manipulating Data with the Pandas Library

1. Technical requirements
2. Setting up the environment
3. The Pandas library
4. The Pandas DataFrame
5. The Pandas Series
6. Lab

Building your First Recommender with Pandas

1. Technical requirements
2. The simple recommender
3. The knowledge-based recommender
4. Hands-on Activity / Lab

Building Content-Based Recommenders

1. Technical requirements
2. Exporting the clean DataFrame
3. Document vectors
4. The cosine similarity score
5. Plot description-based recommender
6. Metadata-based recommender
7. Suggestions for improvements
8. Hands-on Activity / Lab

Getting Started with Data Mining Techniques

1. Problem statement
2. Similarity measures
3. Clustering
4. Dimensionality reduction
5. Supervised learning
6. Evaluation metrics
7. Hands-on Activity / Lab

Building Collaborative Filters

1. Technical requirements
2. The framework
3. User-based collaborative filtering
4. Item-based collaborative filtering
5. Model-based approaches
6. Hands-on Activity / Lab

Using PineCone

1. Technical requirements
2. Introduction
3. Case study and project
4. Hands-on Activity / Lab

Generative AI and Its Magic with GPT

1. Introduction to GPT and Generative AI
2. GPT in Recommendation Systems
3. Explore GPT's role in fine-tuning user preferences.
4. Lab

Ethical AI – Navigating the Grey Areas

1. Understanding Ethical Implications in AI
2. Grasp the moral complexities in recommendation systems.
3. Bias and Fairness in Recommenders
4. Dissect potential biases in AI-driven recommendations.
5. Lab

Job Aids Using Generative AI

1. Introduction to AI-Powered Job Aids
2. Understand how GPT can aid daily tasks.
3. Applications in Data Processing and Analysis
4. Learn GPT's role in data analytics enhancements.
5. Lab