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).

Izvajalci: