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.
Inscrivez-vous pour enregistrer les leçons que vous terminez. C'est gratuit.
Vous êtes inscrit. Dès maintenant, les leçons que vous terminez sont enregistrées.
Pour obtenir votre certificat, marquez chaque vérification des connaissances comme concordante. Ces leçons ont des vérifications à terminer :
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.
construire des jeux de test, des tranches et des vérifications de régression pour les systèmes d'IA en généralÉvaluer et tester les systèmes d'IA
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.
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 1Le problème de la recommandation
3 leçons
Le problème de la recommandation. Ce que décide un système de recommandation sur la page produit, la page d'accueil et le courriel, ce que veut dire le succès en argent, et la préparation du projet avec le journal synthétique du magasin.
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.
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.
Les voisins et le filtrage collaboratif. « Les clients ont aussi acheté » avec le lift et le cosinus, le filtrage collaboratif article-article avec une explication pour chaque suggestion, et pourquoi le filtrage utilisateur-utilisateur a du mal dans un magasin.
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.
Module 6Le contenu, les hybrides et le démarrage à froid
3 leçons
Le contenu, les hybrides et le démarrage à froid. Les plongements de produits, les nouveaux produits et les nouveaux clients, et des hybrides mesurés selon ce qu'ils coûtent aux clients connus.
Module 7Deux étapes : les candidats et le classement
4 leçons
Deux étapes : les candidats et le classement. Plusieurs sources de candidats, un modèle de classement LightGBM LambdaMART, les règles d'affaires et la diversité avec le coût de chacune, et un bref regard sur les sessions et les LLM.
Des scores hors ligne au vrai magasin. Le biais de position et les journaux biaisés, des tests A/B simulés avec des garde-fous, et les boucles de rétroaction avec une petite part d'exploration.
L'exploiter en production. Le service en lot ou en temps réel avec une solution de repli fondée sur la popularité, la surveillance et le réentraînement par segment, et les demandes d'effacement et les produits sensibles.
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
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.
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.
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.
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.
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.