Sodobni splet si je nemogoče zamisliti brez priporočilnih sistemov, saj zmanjšujejo informacijsko preobremenitev in uporabniku omogočajo ogled/uporabo/nakup izdelkov/storitev, ki bi mu utegnili biti všeč, vendar jih sicer zaradi preobilne izbire skoraj gotovo ne bi našel. Pri tem za učinkovito delovanje uporabljajo različne tehnike s področja podatkovnih tehnologij, umetne inteligence in strojnega učenja.
Vsebina:
- Splošna motivacija in ideja priporočanja.
- Priporočanje s sodelovanjem.
- Priporočanje po vsebini.
- Priporočanj na podlagi znanja.
- Hibridno priporočanje.
- Vrednotenje priporočilnih sistemov.
- Primeri velikih priporočilnih sistemov.
- Praktično delo:
- Prenos primerov s spleta in hranjenje v podatkovni bazi.
- Samostojna implementacija preprostega priporočilnega sistema s sodelovanjem (na podlagi uporabnikov ali izdelkov) z uporabo iskanja najbližjih sosedov in z uporabo matrične faktorizacije.
- Izvedba priporočilnega sistema z uporabo predpripravljenih knjižnic.
- Implementacija priporočilnega sistema znotraj podatkovne baze.
Za koga?
Izobraževanje je primerno predvsem za vodstvo in zaposlene, ki določajo strategijo podjetja, za odločevalce, podatkovne analitike in podatkovne inženirje ter zaposlene v marketingu. Za vse, ki imajo opravka s podatki.
Po izobraževanju boste …
… znali uporabiti najpomembnejše pristope k priporočanju.
… vedeli, kako se na podlagi konkretnega poslovnega problema odločiti, katerega uporabiti.
Predznanje:
- Poznavanje programskega jezika Python.
- Osnovno poznavanje konceptov in orodij za delo s podatki v Pythonu (Pandas, Numpy, SciPy).
- Osnovno poznavanje relacijskih podatkovnih baz in strukturiranega povpraševalnega jezika za delo s podatkovnimi bazami (SQL).
- Poznavanje povezljivosti Pythona in podatkovnih baz.
Trajanje:
- Krajša izvedba: 9 ur predavanj, 6 ur praktičnega dela (3 dni).
- Daljša izvedba: 15 ur predavanj, 10 ur praktičnega dela (5 dni).
