Kullanıcıya doğru içeriği öneren sistemler kurun
Kişiselleştirme için öneri sistemleri: içerik tabanlı ve iş birlikçi filtreleme, SVD ve ALS matris ayrıştırma, soğuk başlangıç çözümleri, NDCG ile değerlendirme ve hibrit yaklaşımlar Python ile uygulamalı işlenir.
Kişiselleştirme için öneri sistemleri tasarımı
Bu eğitim, kullanıcılara ürün, içerik veya hizmet öneren sistemleri uçtan uca kurmayı öğretir. İçerik tabanlı filtrelemeyle ürün özniteliklerinden profil çıkarmayı, iş birlikçi filtrelemeyle (kullanıcı-kullanıcı ve ürün-ürün) komşuluk tabanlı önerileri ele alır. Matris ayrıştırma (SVD, ALS), gizli faktör modelleri, örtük (implicit) ve açık (explicit) geri bildirim işlenir. Soğuk başlangıç problemi, popülerlik yanlılığı, çeşitlilik ve yenilik (novelty) dengesi incelenir. Değerlendirme için precision@k, recall@k, MAP, NDCG ve çevrimiçi A/B testi ele alınır; hibrit yaklaşımlar ve öğrenmeden sıralamaya (learning to rank) giriş yapılır. Örnekler Python (scikit-learn, Surprise, implicit) ile gerçek derecelendirme verisi üzerinde kurgulanır.
3 Gün. Her gün dört modül; kavram anlatımının ardından gerçek derecelendirme verisiyle Python uygulaması yapılır.
Orta Seviye — Öneri motorları: içerik tabanlı, iş birlikçi filtreleme, matris ayrıştırma ve hibrit öneri sistemleri.
Jupyter not defterlerinde Surprise ve implicit kütüphaneleriyle gerçek derecelendirme veri setleri üzerinde öneri modelleri kurularak çalışılır.
Her kullanıcıya ilgisine uygun içerik önererek etkileşimi artırırsınız.
İçerik, iş birlikçi ve hibrit yöntemleri senaryoya göre seçersiniz.
NDCG ve A/B testiyle öneri kalitesini gerçekçi biçimde ölçersiniz.
Eğitimden verim almak için faydalı olacak bilgi ve ortam gereksinimleri
pandas ve NumPy ile veri işleme pratiği gerekir.
Vektör, matris ve nokta çarpımı kavramlarına aşinalık faydalıdır.
Eğitim/test ayrımı ve benzerlik kavramını bilmek örnekleri kolaylaştırır.
Jupyter, scikit-learn, Surprise ve implicit kurulu çalışma ortamı.
Programın gün gün akışı aşağıdadır. Bir güne tıklayarak o günün modüllerini ve içeriklerini görebilirsiniz.
Program sonunda katılımcılar:
Etkileşim matrisiyle öneri problemini doğru kurgularsınız.
Ürün özniteliklerinden içerik tabanlı öneri sistemi kurarsınız.
Kullanıcı ve ürün komşuluğuyla öneri üretirsiniz.
SVD ve ALS ile gizli faktör modelleri eğitirsiniz.
Precision@k, MAP ve NDCG ile öneri kalitesini ölçersiniz.
Yeni kullanıcı ve ürün için soğuk başlangıç sorununu çözersiniz.
İçerik ve iş birlikçi yöntemleri hibrit biçimde birleştirirsiniz.
Öneri sistemini çevrimiçi servis olarak dağıtıp izlersiniz.
Bu eğitim Digital Vizyon Akademi Başarı Sertifikası ile tamamlanır.
Eğitim başında “Ön Test”, bitiminde “Son Test” uygulanarak gelişim ölçümlenir. Değerlendirme formunu dolduran katılımcılar sertifikalarını alır. Sertifikanızın geçerliliğini Sertifika Sorgulama sayfasından doğrulayabilirsiniz.
Modern veri mimarisi eğitimi: veri siloları, veri gölü, lakehouse ve veri akışı (streaming) kavramları karşılaştırmalı tanıtılır. Giriş düzeyinde uygulamalı DVA
Detayları Gör →
Veri kaynakları ve kimlik doğrulama eğitimi: veritabanı/API bağlantısı, kaynak veri modelleri, rate limit, OAuth2, JWT ve secret yönetimi. Python ile DVA eğitim
Detayları Gör →
Edge veri entegrasyonu eğitimi: IoT kaynaklardan toplama, MQTT ve QoS, edge ön işleme, store-and-forward, cihaz güvenliği ve buluta akıtma. Uygulamalı DVA eğiti
Detayları Gör →
Veri hikâyeleştirme ve görselleştirme eğitimi: görsel kodlama, grafik seçimi, renk ve erişilebilirlik, gösterge paneli ve anlatı yapısı. Plotly ile DVA eğitimi.
Detayları Gör →
Pazarlama veri hikâyeleştirme en iyi uygulamaları: KPI, dönüşüm hunisi, atıflandırma, kohort, A/B anlatısı ve kampanya raporlama. Uygulamalı DVA eğitimi.
Detayları Gör →