آموزش طراحی و توسعه سیستم‌های پیشنهاد دهنده (Recommender Systems)
سیستم‌های پیشنهاد دهنده یا همون Recommender Systems، الگوریتم‌هایی هستن که هدفشون نشون دادن محتوای مرتبط به هر کاربره. حالا این محتوا می‌خواد فیلم باشه برای تماشا، متن باشه برای خوندن، یا محصولی برای خرید. بسته به صنعتی که توش کار...
آموزش طراحی و توسعه سیستم‌های پیشنهاد دهنده (Recommender Systems)
سیستم‌های پیشنهاد دهنده یا همون Recommender Systems، الگوریتم‌هایی هستن که هدفشون نشون دادن محتوای مرتبط به هر کاربره. حالا این محتوا می‌خواد فیلم باشه برای تماشا، متن باشه برای خوندن، یا محصولی برای خرید. بسته به صنعتی که توش کار می‌کنید، می‌تونید از این سیستم‌ها برای جذب مخاطب و افزایش تعامل استفاده کنید.
اگه بخوایم اهمیت این موضوع رو با یه مثال ملموس نشون بدیم، کافیه به نتفلیکس نگاه کنیم. این شرکت حاضر شده برای فقط ده درصد بهبود در سامانه توصیه‌گر فیلمش، مبلغ یک میلیون دلار بپردازه! 😲 حالا خودتون حساب کنید که اگه یه کسبوکار آنلاین بتونه سیستم پیشنهاددهنده‌ی خوبی داشته باشه، چقدر می‌تونه سودآورتر باشه. به همین خاطر هم هست که دوره‌ای برای آموزش سیستم توصیه‌گر طراحی کردیم که از مفاهیم پایه شروع می‌شه و تا استقرار روی سرورهای عملیاتی ادامه داره.
مشخصات کلی دوره
ویژگی
جزئیات
عنوان دوره
آموزش طراحی و توسعه سیستم‌های پیشنهاد دهنده (Recommender Systems)
زمان کل
۲۷ ساعت ویدیویی (۶ ساعت آموزش + ۲۱ ساعت تمرین و پروژه)
سطح
متوسط تا پیشرفته
پیش‌نیاز
تسلط نسبی به پایتون و آشنایی مقدماتی با یادگیری ماشین
وضعیت
دارای تخفیف ویژه
چرا یادگیری سیستم‌های پیشنهاد دهنده مهمه؟
طی دهه‌های اخیر با ظهور یوتیوب، آمازون، نتفلیکس و خیلی از وب‌سرویس‌های دیگه، سیستم‌های پیشنهاد دهنده جایگاه ویژه‌ای در زندگی روزمره ما پیدا کردن. کاربردشون توی تجارت الکترونیکی، تبلیغات آنلاین و حتی سفرهای آنلاین غیرقابل انکاره.
وقتی یه محصولی رو آنلاین خریداری می‌کنید، ممکنه مقالات یا محصولات مشابهی بهتون پیشنهاد داده بشه. یا حتی وقتی توی اینترنت در حال گشت‌وگذار هستید، مطالبی مناسب با ترجیحات شما نمایش داده می‌شه. اینا همه با کمک Recommender Systemها ممکن می‌شن.
سیستم‌های پیشنهاددهنده از دو منظر دسته‌بندی می‌شن:
تقسیم‌بندی محصولی: شامل دو دسته آیتم‌محور و کاربرمحور
تقسیم‌بندی الگوریتمی: شامل دو دسته محتوا محور و بازدید محور
توی دسته آیتم‌محور، توصیه‌ها برای یه آیتم خاص ارائه می‌شه. مثلاً اگه وارد صفحه یه محصول بشید، یه مطلب مرتبط با همون صفحه بهتون نشون داده می‌شه. اما توی دسته کاربرمحور، پیشنهادها براساس سلیقه کاربر ارائه می‌شه. مثلاً اگه یه برنامه‌نویس پایتون باشید، مطلبی در ارتباط با پایتون بهتون نمایش داده می‌شه.
از منظر الگوریتم و دیتای ورودی هم این سیستم‌ها به دو دسته تقسیم می‌شن. توی دسته محتوا محور، سامانه توصیه‌گر محتوای آیتم‌ها رو تحلیل می‌کنه و نزدیک‌ترین مطلب یا محصول رو نشون می‌ده. اما توی دسته بازدید محور، بدون توجه به محتوای آیتم‌ها، از دیتای بازدید کاربران سایت استفاده می‌شه.
انواع سیستم‌های پیشنهاد دهنده
به‌طور کلی، این سیستم‌ها سه زیرگروه اصلی دارن:
روش پالایش گروهی (Collaborative Filtering): از تعاملات کاربر برای پیشنهاد کالا استفاده می‌کنه. مثلاً اگه کاربر «الف» کالای x رو پسندیده و کاربر «ب» به کالاهای x و y علاقه‌مند باشه، می‌شه کالای y رو به کاربر «الف» پیشنهاد داد.
روش پالایش مبتنی بر محتوا (Content-Based): پیشنهاد رو با استفاده از پروفایل کاربر و ویژگی‌های اقلام انتخابی‌ش ارائه می‌ده.
روش پالایش ترکیبی (Hybrid): ترکیبی از دو روش قبلیه و معمولاً دقت بالاتری نسبت به بقیه داره.
این دوره دقیقاً چی یاد می‌ده؟
مهم‌ترین بخش این دوره، تدریس گام به گام چگونگی پیاده‌سازی سیستم‌های پیشنهاد دهنده با پایتونه. طبق این برنامه آموزشی، یاد می‌گیرید که براساس علایق و سوابق جمع‌آوری شده از کاربران، با استفاده از هوش مصنوعی و شبکه‌های عصبی مصنوعی (Artificial Neural Networks) به کاربران خود فیلم پیشنهاد بدید. توی این مسیر از زبان برنامه‌نویسی Python و فریم‌ورک‌های TensorFlow و Keras استفاده می‌شه.
طی این دوره با مقدمات و مفاهیم بازیابی اطلاعات (Information Retrieval) و سامانه‌های توصیه‌گر، لزوم طراحی و استفاده از اون‌ها در وب‌سایت‌ها و اپلیکیشن‌ها و تأثیر این سامانه‌ها بر افزایش نرخ تبدیل (Conversion Rate) در کسب‌وکارهای آنلاین آشنا می‌شید. بعد از آشنایی با این موارد، مدرن‌ترین روش‌ها و متدهای روز دنیا برای پیاده‌سازی سیستم‌های پیشنهاددهنده در پایتون بررسی می‌شه.
سرفصل‌های آموزشی
فصل اول: مقدمه‌ای بر سیستم‌های پیشنهاد دهنده
فصل دوم: بارگذاری داده‌ها با استفاده از کتابخانه TFDS
فصل سوم: پیش‌پردازش ویژگی‌ها با استفاده از Keras Preprocessing Layers
فصل چهارم: ساخت یک مدل بازیابی اطلاعات (Retrieval Task)
فصل پنجم: جستجوی نزدیک‌ترین همسایگی‌ها (K-nearest Neighbors)
فصل ششم: ساخت یک مدل رتبه‌بندی (Ranking Task)
فصل هفتم: استقرار مدل هوش مصنوعی با استفاده از TF Serving
فصل هشتم: پروژه پایانی
ویژگی‌های متمایز این دوره
روش‌های آموزشی استفاده شده توی این دوره ویژگی‌های منحصر به فردی داره که شما رو نسبت به نتیجه نهایی حاصل از یادگیری مطمئن می‌کنه:
به جای روش‌های کلاسیک، به مدرن‌ترین روش‌های روز که توی سیستم‌های پیشنهاد دهنده YouTube و Google Play Store استفاده شده، پرداخته می‌شه.
کدهای مربوط به ساخت سیستم، قدم به قدم با استفاده از کتابخانه TensorFlow Recommenders زده شده و خط به خط توضیح داده می‌شه.
محدودیت‌ها و راه‌حل‌های استفاده از این سیستم‌ها در محیط واقعی با ترافیک بالا بررسی شده و یه سیستم عملیاتی کامل، بهینه و قابل استفاده در وب‌سایت و اپلیکیشن شما ساخته می‌شه.
مراحل استقرار این سیستم روی یه سرور Linux و با استفاده از Docker مرحله به مرحله بررسی می‌شه.
این دوره مناسب چه کسانیه؟
مدیران کسب‌وکاری که قصد توسعه کسبوکار خودشون رو دارن.
مهندسان و برنامه‌نویس‌هایی که به طراحی، پیاده‌سازی و استقرار این سیستم‌ها علاقه دارن.
دانشجویان و محققانی که قصد تحقیق و پژوهش در این حوزه مدرن رو دارن.
