قیمت 30,000 تومان 20,000 تومان

امتیاز 0 از 0 رأی
بدون امتیاز 0 رای
30,000 تومان 20,000 تومان
ویژگی های دوره
place
نوع دوره: غیر حضوری
local_library
سطح دوره: حرفه ای
traffic
پیش نیاز: جاوا
language
زبان: فارسی
access_time
ویدئویی(کیفیت HD)
playlist_add_check
ناشر : بیگ لرن
storage
120 مگابایت
supervisor_account
روش پشتیبانی: ارسال تیکت

معرفی سیستم های توصیه گر ؟

پیشنهاد دادن به صورتی مطابق سلایق کاربر باشد، بر عهده سیستم‌های توصیه گر است. این سیستم‌ها که امروز ما کاربر بسیاری از آن‌ها هستیم، سعی می‌کنند از روی علاقه‌مندی‌های ما و دیگران، پیشنهاد مناسبی به ما بدهند. سیستم‌های توصیه گر در پیدا کردن و انتخاب نمودن آیتم‌های موردنظر کاربران به آن‌ها کمک می‌کنند. طبیعی است که این سیستم‌ها بدون در اختیار داشتن اطلاعات کافی و صحیح در مورد کاربران و آیتم‌های موردنظر آن‌ها قادر به پیشنهاد دادن نمی‌باشند؛ بنابراین یکی از اساسی‌ترین اهداف آن‌ها جمع‌آوری اطلاعات گوناگون در رابطه با سلایق کاربران و آیتم‌های موجود در سیستم است. منابع و روش های گوناگونی برای جمع‌آوری چنین اطلاعاتی وجود دارد. یک روش جمع‌آوری اطلاعات به‌صورت صریح که در آن کاربر صراحتاً اعلام می‌کند که به چه چیزهایی علاقه دارد. روش دیگر روش ضمنی است که کمی دشوارتر است و در آن سیستم باید سلایق کاربر را با کنترل و دنبال کردن رفتارها و فعالیت‌های او بیابد (به‌عنوان مثال باید ببینید کاربر به چه آهنگ‌هایی بیشتر گوش می‌دهد، چه صفحاتی را بازدید می‌کند، با چه کسانی در ارتباط است و …). معمولاً سیستم‌های توصیه گر در ابتدای کار از کاربر می‌خواهند درجه علاقه‌مندی خود به هر یک از آیتم‌ها را به‌وسیله یک رتبه مشخص کنند. این امتیازها با استفاده از ماتریس کاربر-آیتم نمایش داده می‌شود. مثلاً همان‌طور که در جدول ‏2‑1 مشخص است کاربر A به آیتم اول امتیاز 1 داده است یا کاربر B به آیتم دوم امتیاز 4 را داده است. این امتیازها معمولاً در بازه 1 تا 5 هستند. همانطور که در جدول ‏2‑1  مشخص است، تعدادی از عناصر با امتیاز 0 وجود دارد. بدین معنی که کاربر به این آیتم‌ها امتیاز نداده است؛ بنابراین وظیفه سیستم توصیه گر تخمین این امتیازات مجهول است. اگر این رتبه‌ها با رتبه بالا پیش‌بینی شوند به کاربر پیشنهاد می‌شوند.

اطلاعات ورودی در سیستم‌های توصیه گر ؟

یک سیستم توصیه گر ممکن است از یک یا چندین نوع مختلف از داده‌ها و اطلاعات استفاده کند که در زیر به موارد مهمی از این داده‌ها اشاره شده است:یک سیستم توصیه گر بر اساس داده‌های ورودی به آن عمل می‌کند و هر چه تعداد و تنوع این داده‌ها بیشتر باشد، مسلماً کیفیت و دقت سیستم نیز بالاتر خواهد بود. لذا آنچه اهمیت دارد، نحوه استفاده و به‌کارگیری این داده‌ها برای ساخت یک مدل مناسب است تا بتوانیم بر اساس این مدل یک توصیه خیلی مناسب به کاربر موردنظر داشته باشیم. روش ضمنی است که کمی دشوارتر است و در آن سیستم باید سلایق کاربر را با کنترل و دنبال کردن رفتارها و فعالیت‌های او بیابد، به‌عنوان مثال باید ببینید کاربر به چه آهنگ‌هایی بیشتر گوش می‌دهد، چه صفحاتی را بازدید می‌کند، با چه کسانی در ارتباط است. یک روش جمع‌آوری اطلاعات به‌صورت صریح که در آن کاربر صراحتاً اعلام می‌کند که به چه چیزهایی علاقه دارد، به‌عنوان نمونه با امتیاز دادن  به یک آهنگ. اطلاعاتی نظیر سن، جنسیت، ملیت و … در گروه اطلاعات دموگرافیک قرار می‌گیرند. سیستم‌هایی که از این روش استفاده می‌کنند بر این اساس عمل می‌کنند که کاربرانی که صفات دموگرافیک مشابهی دارند (مثلاً در یک بازه سنی قرار می‌گیرند) احتمالاً سلایق و خواسته‌ها مشابهی نیز دارند. با ظهور و گسترش شبکه‌های اجتماعی در سال‌های اخیر محققین به منبع اطلاعاتی دیگری برای بهبود کیفیت پیشنهادها پی بردند  که همان اطلاعات موجود در شبکه‌های اجتماعی بود  و بر همین اساس کارهای تحقیقاتی زیادی در این حوزه شکل ریزی گردید. توجه داشته باشید که این اطلاعات ممکن است به‌صورت صریح و یا ضمنی جمع‌آوری شوند. 

انواع الگوریتم ­های توصیه ؟

بر اساس نوع اطلاعات در سیستم‌های توصیه‌گر، روش‌های توصیه می‌تواند در سه دسته طبقه‌بندی شوند: مبتنی بر محتوی، پالایش مشارکتی و ترکیبی.

مبتنی بر محتوی

سیستم‌های توصیه‌گر مبتنی بر محتوا بر اساس ویژگی‌های آیتم و علایق کاربران که در پروفایل آن‌ها مشخص‌شده است، پیشنهاد مناسب را ارائه می‌دهند.سیستم‌های توصیه‌گر مبتنی بر محتوا بر اساس علاقه کاربر و شرح محتوا، آیتم‌ها را به کاربر پیشنهاد می‌دهد. این روش بر اساس خصوصیات کالاها و محصولات و شباهت بین آن‌ها و نیز سلایق کاربر، توصیه‌هایی به کاربر ارائه می­کند. در این روش تکیه‌بر اطلاعات و سلایق کاربر جاری است، بدین شکل که برای ارائه پیشنهاد، به انتخاب‌ها و تجربیات وی درگذشته توجه می‌شود.

پالایش مشارکتی

در این روش نیازی نیست تا محتوای آیتم‌ها بررسی شود. در عوض به رابطه‌ی بین کاربران تکیه می‌کند که به‌طور معمول در یک ماتریس بازخورد رتبه رمزگذاری شده است، در ماتریس رتبه‌بندی تنها درصد کمی از آیتم‌ها رتبه‌بندی شده‌اند. حتی ممکن است مشهورترین آیتم‌ها رتبه کمی داشته باشند. با داشتن ماتریس رتبه‌بندی پراکنده ارزیابی کردن روابط میان آیتم‌ها و کاربران و ایجاد پیشنهاد موثرکاری بسیار چالش‌انگیز است و روش‌های مبتنی بر پالایش مشارکتی به دلیل استفاده از رتبه‌بندی دوستان کاربر، برای ارائه پیشنهاد به او، دارای کارایی بالایی در توصیه کردن به کاربر روی ماتریس‌های پراکنده هستند.

روش‌های ترکیبی

 روش‌های مبتنی بر محتوی و پالایش مشارکتی را ترکیب می‌کند و تلاش می‌کند تا معایب آن‌ها را کم کرده و نتیجه‌ی مؤثرتری را ایجاد کند. روش‌های ترکیبی، ترکیبات مختلفی از روش‌های محتوا محور و مشارکتی را ارائه می‌دهد؛ یعنی این روش‌ها از مزایای روش‌های قبلی، استفاده می‌کنند تا کارایی سیستم را تا حد مناسبی افزایش دهند.

مشکلات سیستم ­های توصیه ­گر ؟

سیستم‌های توصیه‌گر باوجود کاربردها و مزایای زیاد، از یکسری چالش‌های اساسی رنج می‌برند که هدف الگوریتم‌های ارائه‌شده تاکنون، رفع یک یا چند مورد از این چالش‌ها است؛ که در زیر به چهار مورد از مهم‌ترین آن‌ها اشاره خواهیم کرد.

مشکل تنکی داده

این مشکل یکی از مهم‌ترین چالش‌ها در سیستم‌های توصیه‌گر است که عملکرد سیستم را به‌شدت تحت تأثیر قرار می‌دهد. این مشکل اشاره به حالتی دارد که در آن کاربران به تعداد کمی از آیتم‌ها، رتبه می‌دهند، یعنی از آیتم‌های زیادی که در سیستم وجود دارد، فقط تعداد اندکی از آن‌ها توسط کاربران، رتبه دهی شده‌اند. لذا زمانی که سیستم تنها به تعداد اندکی از رکوردهای مربوط به تراکنش­های سابق دسترسی داشته باشند، تشخیص اینکه کدام‌یک از مشتریان شبیه به یکدیگر بوده و علایق آن‌ها چیست، اساساً مشکل خواهد بود.

مشکل ویژه‌کاری

در طول حیات سیستم، تلاش بر این است که آیتم‌هایی به کاربر پیشنهاد داده شوند که شباهت بیشتری به آیتم‌های انتخاب‌شده توسط او درگذشته داشته باشند. این باعث می‌شود که آیتم‌هایی که ممکن است موردپسند کاربر باشند ولی شباهتی به آیتم‌های انتخاب‌شده درگذشته ندارند، به کاربر هر گز پیشنهاد داده نشوند و از دید وی مخفی بمانند.

مشکل شروع سرد

مشکل شروع سرد تقریباً در همه سیستم‌های توصیه‌گر وجود دارد که کارایی سیستم را خیلی کاهش می‌دهد. به زبانی ساده می‌توان گفت مشکل شروع سرد هنگامی رخ می‌دهد که یک کاربر یا آیتم جدید وارد سیستم شود و سیستم در مورد آن‌ها اطلاعات یا دانش خاصی نداشته باشد، لذا در هنگام توصیه دچار مشکل می‌شود.

ابهام در اطلاعات

در سیستم­های توصیه­گر هدف پیدا نمودن شباهت بین آیتم‌های مختلف و کاربران بر اساس صفات و محتویات آن‌هاست که در برخی از کاربردها و حوزه‌ها این کار بسیار پیچیده و دشوار است. لذا نیاز به راهکارهایی برای استخراج صفات و اطلاعات کاربران و آیتم­ها به‌صورت خودکار می‌باشد.

کمبود داده

 یک سیستم توصیه­گر مؤثر و کارا، باید داده­های زیادی برای ارائه­ی پیشنهاد داشته باشد که معمولاً داده‌های موردنیاز در سیستم خیلی کم است و لذا باید به‌صورت مناسبی این چالش رو هم پر کرد.

هدف از این آموزش ؟

 icon-ambulance هدف اصلی از این آموزش معرفی سیستم های توصیه گر و نحوه عملکرد انها می باشد. این آموزش به زبانی ساده و روان و کاربردی آماده شده است که خواننده می تواند در مدت زمان کوتاهی مفاهیم اصلی را درک کرده و بتواند کارهای علمی پژوهشی یا کاربردی خوبی را بر پایه این آموزش ها انجام داد. همچنین هدف از این آموزش نحوه کار کردن با کتابخانه قدرتمند لیبرک (Librec) که  قوی ترین کتابخانه برای سیستم های توصیه گر و بحث های یادگیری ماشین است که تحت زبان جاوا است. شما میتوانید 72 الگوریتم مربوط به سیستم های توصیه گر را روی انواع مختلف دیتاست ها اجرا کنید و خروجی ان را در مقالات و پژوهش های خود استفاده کنید. همچنین میتوانید از توابع اماده لیبرک برای محاسبه similarity و کلاس های مختلف ان جهت تسریع و تسهیل کد نویسی استاندارد استفاده کنید. و از همه معیارهای ارزیابی الگوریتم ها در لیبرک برای ارزیابی الگوریتم خود و سایر الگوریتم ها نهایت استفاده را بکنید.

موارد موجود در این فیلم آموزشی ؟

معرفی سیستم های توصیه گر ویدئو

پیش نمایش
خصوصی

پیدا کردن ارتباط بین کاربران و محصولات ویدئو

خصوصی

انواع الگوریتم های سیستم های توصیه گر ویدئو

خصوصی

موارد مهم در طراحی و پیاده سازی سیستم های توصیه گر ویدئو

خصوصی

چالش های موجود در این سیستم ها ویدئو

خصوصی

نحوه عملکرد سیستم های توصیه گر ویدئو

خصوصی

مدل مبتنی بر همسایگی برای سیستم های توصیه گر ویدئو

خصوصی

تقابل روش های مبتنی بر فاکتورنهان و روش های مبتنی بر همسایگی ویدئو

خصوصی

تکنیک های بهینه سازی مختلف برای حل فاکتورهای نهان ویدئو

خصوصی

معرفی اطلاعات کناری (کمکی) در سیستم های توصیه گر ویدئو

خصوصی

استفاده از اطلاعات کمی برای بهبود عملکرد سیستم ویدئو

خصوصی

مقایسه روش های ارائه شده پیشین برای سیستم های توصیه گر ویدئو

خصوصی

معرفی اعتماد و بی اعتمادی در شبکه های اجتماعی برای توصیه مطلوب ویدئو

خصوصی

آموزش نحوه نصب و پیکر بندی کتابخانه librec ویدئو

پیش نمایش
خصوصی

معرفی کامل لیبرک و ساختار کلی آن ویدئو

خصوصی

معرفی فرمت های مختلف داده ایی در لیبرک ویدئو

خصوصی

آموزش انواع مختلف روش های تقسیم داده در لیبرک ویدئو

خصوصی

آموزش استفاده از انواع مختلف DataModel ویدئو

خصوصی

معرفی Interface های مختلف در لیبرک و نحوه استفاده از انها ویدئو

خصوصی

معرفی انواع مختلف معیارهای ارزیابی در لیبرک و استفاده از انها ویدئو

خصوصی

نحوه خواندن دیتاست ها و ماتریس اعتماد و سایر ماتریس های دیگر ویدئو

خصوصی

آموزش نحوه تقسیم بندی دیتاست ورودی برای train , test ویدئو

خصوصی

آموزش کامل نصب و تنظیم پارامتر برای الگوریتم ها ویدئو

خصوصی

آموزش کامل اجرای الگوریتم های مختلف در لیبرک ویدئو

خصوصی

آموزش نصب و تنظیم پارامتر برای الگوریتم ها ویدئو

خصوصی

استفاده از لیبرک در پروژه کاربردی به صورت یک فایل کتابخانه ای ویدئو

خصوصی

سورس کد یک پروژه روی سه دیتاست FilmTrust, Epinions, Ciao ویدئو

خصوصی

درخواست مشاوره

برای کسب اطلاعات بیشتر درباره این دوره درخواست مشاوره خود را ارسال کنید و یا با ما در تماس باشید.

درخواست مشاوره

نیاز به مشاوره دارید؟

در صورتی که نیاز به مشاوره دارید می توانید فرم را تکمیل نمایید و یا با ما در تماس باشید

درخواست مشاوره رایگان

moreدوره های مرتبط

پیاده سازی الگوریتم های سیستم های توصیه گر

معرفی سیستم های توصیه گر ؟ سیستم های توصیه گر، سیستم هایی هستند که می خواهند براساس اطلاعات کاربر جاری…
30,000 تومان 20,000 تومان

chat_bubble_outlineنظرات

قوانین ثبت دیدگاه

  • دیدگاه های فینگلیش تایید نخواهند شد.
  • دیدگاه های نامرتبط به مطلب تایید نخواهد شد.
  • از درج دیدگاه های تکراری پرهیز نمایید.
  • امتیاز دادن به دوره فقط مخصوص دانشجویان دوره می باشد.

نشانی ایمیل شما منتشر نخواهد شد. بخش‌های موردنیاز علامت‌گذاری شده‌اند *