更新了神经协同过滤 （NCF）、Tensorflow 推荐器 （TFRS） 和用于推荐的生成对抗网络 （GAN）

了解如何从 Amazon 在该领域的先驱之一那里构建机器学习推荐系统。弗兰克·凯恩（Frank Kane）在亚马逊工作了九年多，在那里他管理和领导了亚马逊许多个性化产品推荐系统的开发。

你已经在任何地方都看到了自动推荐 – 在Netflix的主页上，在YouTube上，在亚马逊上，因为这些机器学习算法会了解你的独特兴趣，并显示最适合你个人的产品或内容。这些技术已成为最大、最负盛名的科技雇主的核心，通过了解它们的工作原理，您将对他们变得非常有价值。

我们将介绍基于邻域协作过滤的久经考验的推荐算法，并逐步发展到更现代的技术，包括矩阵分解，甚至使用人工神经网络进行深度学习。在此过程中，您将从 Frank 丰富的行业经验中学习，以了解在大规模应用这些算法和真实数据时将遇到的现实挑战。

但是，这门课程非常实用;您将开发自己的框架来评估和组合许多不同的推荐算法，您甚至可以使用 Tensorflow 构建自己的神经网络，以从真实世界的电影评分中生成来自真人的推荐。我们将介绍：

• 构建推荐引擎

• 评估推荐系统

• 使用项目属性进行基于内容的筛选

• 基于邻域的协作过滤，包括基于用户、基于项目和 KNN CF

• 基于模型的方法，包括矩阵分解和 SVD

• 将深度学习、人工智能和人工神经网络应用于推荐

• 使用 Tensorflow （TFRS） 和 Amazon Personalize 的最新框架。

• 使用递归神经网络的基于会话的建议

• 使用神经协同过滤构建现代推荐器

• 使用 Apache Spark 机器学习、Amazon DSSTNE 深度学习和带有因式分解机的 AWS SageMaker 扩展到海量数据集

• 推荐系统的实际挑战和解决方案

• 来自 YouTube 和 Netflix 的案例研究

• 构建混合集成推荐器

• “前沿警报”涵盖推荐系统领域的最新研究

这门综合课程将带您从协作过滤的早期，到深度神经网络和现代机器学习技术的前沿应用，以便向每个用户推荐最佳项目。

本课程中的编码练习使用 Python 编程语言。如果您不熟悉 Python，我们会提供 Python 简介，但您需要一些先前的编程经验才能成功使用本课程。学习如何编码不是本课程的重点;这是我们主要尝试教授的算法，以及实际示例。如果您是人工智能领域的新手，我们还包括对深度学习的简短介绍，但您需要能够理解新的计算机算法。

包括高质量的、手工编辑的英文隐藏式字幕，以帮助您跟上进度。

我希望很快能在课程中见到你！