Während das Modul alle Themen studiert, die mit der Definition und den Verwendungsfällen des Empfehlungssystems (SR en adelante) übereinstimmen müssen.
In Klassennummer 1 werden die beiden verschiedenen SR-Typen angezeigt: „Personalisiert“ und „Nicht personalisiert“, und die Erfassung der Präferenzinformationen kann entweder implizit oder explizit erfolgen.
Im Zusammenhang mit der SR-Architektur ist es so, dass der Prozess auf der Grundlage dieser folgenden Schritte durchgeführt wird: Empfehlungserfassung, Modellierung und Nachbearbeitung der On-line-Empfehlungen und -Module sowie Benutzerschnittstellen, um die Empfehlungen zu den endgültigen Benutzern zu übertragen.
Darüber hinaus sind drei Techniken für SR verfügbar: Beliebtheit, Inhaltsbasierung und Hybridität, die zu einer beliebten und inhaltlichen Beliebtheit führt. Die verwendete Matrize wird erläutert.
Im Dash-Programm habe ich ein praktisches Beispiel aus einem CSV-Archiv von Filmen realisiert, einen Dataframe-Panda erstellt, meine Informationen erforscht, eine Grundvoraussetzung für SR gefunden, die sich nur auf die Beliebtheit spezialisiert hat, und das ist heute das Beste Mehr als die Punkte, die zu den Filmen hinzugefügt wurden, sind dies und andere, die mir zugestanden haben, wenn ich die Möglichkeit habe, eine Empfehlung von 5 Filmen an einen bestimmten Benutzer zu senden, der vorher festgelegt wurde.
In der Klasse Nr. 2 gibt es viel Materials für die Zusammenarbeit mit dem Filter: Es handelt sich um Anwendungsmethoden, Anwendungsfälle, verschiedene Filter, die im Speicher und auf Modellen basieren, außerdem werden die Filtergrenzen beschrieben Mitwirkende: Matriz dispersa, Chilly Begin zusammen mit neuen Benutzern wie mit neuen Artikeln und Gray Sheep.
In der Klasse Nr. 3 werden die allgemeinen Anwendungen des SR vorgestellt, das Panorama der neuen Techniker in IA wird Ihnen gezeigt, wie Sie das Manöver des SR steuern, die wichtigsten Ähnlichkeitsindikatoren erläutern und anschließend die Tendenzen und Retos präsentieren Aktuelles von SR.
Um das Projekt abschließend zu untersuchen, wurde die Shock-Bibliothek von Python untersucht und auf der Foundation dieser ein SR-Projekt erstellt, das aus den aktuellen Archivinformationen (scores.dat) bestand und mit einem Objekt-Dataset der Shock y-Bibliothek erstellt wurde Für dieses Objekt gibt es 2 verschiedene Algorithmen:
1) KNNBasic, da die Definition maximal 50 Sekunden beträgt, verwenden Sie die Pearson-Ähnlichkeit (Pearson-Korrektur) und müssen die Ähnlichkeit zwischen Benutzern berechnen (‚user_based‘: True)
2) KNNWithMeans, da diese Definition höchstens 50 Volumen beträgt, die Ähnlichkeit des Körpers verwendet und die Ähnlichkeit zwischen Elementen berechnen muss („user_based“: False)
Einmal haben wir Modelle betreten und die Artwork und Weise ausgewertet, die wir dem RMSE-Metrik-Metrik unterzogen haben, und wir werden feststellen, dass das beste Modell dem Teilnehmer mit KNNWithMeans zur Verfügung steht. Vielleicht ist Ihr RMSE-Metrik-Metriker das andere Modell.
