Aller au contenu
English

Recommandation et personnalisation : montrer à chacun ce qui compte

Montrez à chaque client les produits qui comptent pour lui. Découpez le journal du magasin dans le temps, battez une référence de base solide fondée sur la popularité, comparez les voisins, la factorisation matricielle, le contenu et un classement en deux étapes sur les mêmes clients, et faites fonctionner la meilleure méthode avec des règles d'affaires, une solution de repli et des contrôles de confidentialité.

Lisez toutes les leçons sans compte, ou connectez-vous pour vous inscrire et suivre vos progrès.

Ce cours est-il le bon pour vous?Ce que ce cours couvre et ne couvre pas, et 4 autres cours pour d'autres besoins.

Ce cours enseigne la recommandation comme un système d'affaires : la rétroaction implicite et un découpage temporel honnête, des références de base fondées sur la popularité et la cooccurrence, le filtrage collaboratif article-article, la factorisation matricielle avec ALS et BPR, les méthodes par le contenu et hybrides, le démarrage à froid, la génération de candidats et le classement en deux étapes, les mesures hors ligne par segment, des tests en ligne simulés avec des garde-fous, et un service avec des règles d'affaires, une solution de repli et des contrôles de confidentialité. Il n'enseigne pas l'apprentissage supervisé ou l'amplification de gradient depuis le début, la recherche vectorielle de documents, ni la conception et l'analyse détaillées d'un test A/B.

Suivez un autre cours si vous voulez :

Ce que vous apprendrez

À la fin de ce cours, vous pourrez :

  • Cadrer un besoin de recommandation : l'emplacement (page produit, page d'accueil, courriel), la décision, la mesure d'affaires et ce que coûte une mauvaise suggestion.
  • Préparer les données d'interaction avec la rétroaction implicite, un découpage temporel sans fuite de données et un ensemble de candidats que l'entreprise autorise.
  • Construire et comparer sur les mêmes données des références de base fondées sur la popularité, la cooccurrence, le filtrage collaboratif article-article, la factorisation matricielle, et des méthodes par le contenu et hybrides.
  • Construire un système en deux étapes (génération de candidats et modèle de classement appris) et expliquer ce que chaque étape ajoute.
  • Évaluer hors ligne avec des mesures de classement, la couverture, la nouveauté et la diversité, par segment (clients nouveaux, occasionnels et fidèles), et planifier un test en ligne avec des mesures garde-fous.
  • Faire fonctionner un système de recommandation en production avec des solutions de repli, des règles d'affaires, de la surveillance et des contrôles de confidentialité, et reconnaître le biais de popularité et les boucles de rétroaction.

À propos de ce cours

Larkfield, un magasin en ligne de produits pour la maison et le jardin, montre les mêmes vingt meilleurs vendeurs à tout le monde. Un client qui a acheté un lit pour chien la semaine dernière voit des chaises de jardin. Une cliente qui ouvre le magasin en juillet voit des manteaux d’hiver. Les produits ajoutés le mois dernier n’apparaissent jamais. Larkfield veut de meilleures suggestions sur ses pages produit, une page d’accueil personnelle et un courriel hebdomadaire, pour les clients qui reviennent et pour les nouveaux, qui n’ont aucun historique.

Dans ce cours, vous suivez Priya, la scientifique des données de Larkfield, Omar, le gestionnaire de produit, Amira, la développeuse responsable du service, et Rafael, qui envoie le courriel hebdomadaire. Vous commencez par les données : les consultations, les ajouts au panier et les commandes comme rétroaction implicite, un découpage honnête dans le temps et une référence de base solide fondée sur la popularité. Ensuite, vous ajoutez une seule famille de méthodes à la fois et vous la mesurez sur les mêmes clients, dans un seul tableau de comparaison.

Vous passez de « les clients ont aussi acheté » et du filtrage collaboratif article-article à la factorisation matricielle avec ALS et BPR, aux suggestions par le contenu pour les nouveaux produits, aux hybrides et à un système en deux étapes avec un modèle de classement LightGBM et des règles d’affaires. Vous apprenez pourquoi le meilleur score hors ligne peut perdre un test en ligne, et comment un système de recommandation peut s’enfermer dans une boucle de rétroaction.

Vous construisez un seul projet pendant tout le cours : larkfield-recs, avec une commande recs, un dispositif d’évaluation et un petit service de recommandation avec une solution de repli. Le journal du magasin est synthétique, créé par notre code avec un modèle documenté du comportement des clients : vous pouvez donc voir des effets que les vraies données cachent. Les études de cas utilisent de vraies données ouvertes.

Avant de commencer

Vous avez terminé le cours Apprentissage automatique : du problème à un modèle fiable, ou vous avez les mêmes compétences (données d'entraînement, de validation et de test, fuite de données, amplification de gradient, précision et rappel). Vous savez lire et modifier du code Python et pandas, utiliser un carnet (notebook) et un terminal, et lire des résultats SQL. Les cours SQL et RAG aident, mais ne sont pas obligatoires; les leçons qui utilisent leurs idées les expliquent brièvement et y renvoient. Il vous faut Python 3.12 sur votre ordinateur, ou un compte Google ou Kaggle gratuit pour les carnets. Vous n'avez besoin ni de clé, ni de carte graphique, ni d'argent.

Cours à suivre avant : Apprentissage automatique : du problème à un modèle fiable.

À qui s'adresse ce cours

Les ingénieurs en apprentissage automatique et en IA, les scientifiques des données et les développeurs back-end qui construisent des blocs « vous aimerez aussi », des pages d'accueil personnelles ou des courriels personnalisés, et les responsables de produit qui doivent décider si la personnalisation vaut ce qu'elle coûte.

Comment nous avons créé ce cours

Des spécialistes de l'IA expérimentés ont conçu ce cours. L'IA nous a aidés à rédiger le contenu; des personnes ont choisi l'approche pédagogique et les exemples, et ont révisé chaque leçon. Les résultats que vous voyez sont les vrais résultats de l'exécution du code. Comment nous créons les cours

Dans ce cours

Module 2Les données, la rétroaction implicite et un découpage honnête

4 leçons

Les données, la rétroaction implicite et un découpage honnête. Les consultations, les ajouts au panier et les commandes comme interactions pondérées, la matrice utilisateurs-articles creuse, un découpage temporel et ce qu'un découpage aléatoire cache, et trois références de base fondées sur la popularité.

  1. Des interactions, pas des notes35 min
  2. La matrice utilisateurs-articles35 min
  3. Découper selon le temps40 min
  4. Les références de base à battre35 min

Module 3Mesurer les recommandations hors ligne

3 leçons

Mesurer les recommandations hors ligne. La précision, le rappel, le MAP et le NDCG calculés à la main, la couverture, la nouveauté et la diversité, et les résultats pour les clients nouveaux, occasionnels et fidèles.

  1. Mesures de classement40 min
  2. Au-delà de l'exactitude35 min
  3. Évaluer par segment35 min

Module 5La factorisation matricielle pour la rétroaction implicite

3 leçons

La factorisation matricielle pour la rétroaction implicite. Les goûts cachés à la main, ALS et BPR avec la bibliothèque implicit, et le réglage sur une période de validation sans vous tromper vous-même.

  1. Goûts cachés35 min
  2. ALS et BPR avec implicit40 min
  3. Régler sans vous tromper vous-même35 min

Dernier module · choisissez-en au moins uneÉtudes de cas

4 études de cas

Des études de cas complètes sur de vraies données ouvertes. De vraies transactions de commerce de détail, des sessions de navigation et des notes de livres, et une étude facultative sur « quoi apprendre ensuite ». Terminez-en au moins une pour obtenir le certificat. Chacune peut entrer dans votre portfolio.

Terminez au moins une étude de cas pour obtenir le certificat. Les autres sont facultatives. Ce que couvre chacune

  1. Recommander des produits pour un détaillant en ligne150 min
  2. L'article suivant à partir des sessions de navigation150 min
  3. Des livres pour les lecteurs150 min
  4. Quoi apprendre ensuite120 min

Après les études de casTravail final

Utilisez tous les modules dans un projet pratique. Vous recueillez des preuves, puis vous les comparez aux objectifs du cours.

  1. Travail final180 min

Études de cas

Des projets réalistes du début à la fin, sur de vraies données, avec chaque résultat expliqué. Chacun devient une pièce de votre portfolio. Terminez-en au moins une pour obtenir le certificat; les autres sont facultatives.

  1. Recommander des produits pour un détaillant en ligne2 h 30 min

    Sur Online Retail II (de vraies transactions, CC BY 4.0) : la popularité, la cooccurrence, ALS et un modèle de classement en deux étapes avec un découpage temporel et des segments de clients.

  2. L'article suivant à partir des sessions de navigation2 h 30 min

    Sur un échantillon du jeu de données de sessions OTTO (clics, paniers et commandes, CC BY 4.0) : des suggestions fondées sur la session et le démarrage à froid pour des visiteurs anonymes.

  3. Des livres pour les lecteurs2 h 30 min

    Sur Goodbooks-10k (téléchargé à sa source, CC BY-SA 4.0) : des méthodes par le contenu, collaboratives et hybrides, avec la couverture et la nouveauté, contre une référence de base fondée sur la popularité.

  4. Quoi apprendre ensuite2 h

    Facultatif. Suggérez la prochaine leçon sur une plateforme d'apprentissage à partir de données de progression synthétiques, où l'ordre et les préalables comptent plus que la popularité.

Avis

Chargement des avis…

    Vous avez suivi ce cours? Connectez-vous pour donner votre avis. Vous pouvez donner un avis après avoir terminé 25 % des leçons.

    Partager ce cours