Networks, Crowds and Markets (EdxArchive) 1 个评论 关注

开始时间: 04/22/2022 持续时间: 10 weeks

主页: https://www.edx.org/archive/networks-crowds-markets-cornellx-info2040x

简介: Explore the critical questions posed by how the social, economic, and technological realms of the modern world interconnect.

機器學習基石 (Machine Learning Foundations) (CourseraArchive) 10 个评论 关注

开始时间: 04/22/2022 持续时间: 8 weeks

主页: https://www.coursera.org/course/ntumlone

简介: Machine learning is the study that allows computers to adaptively improve their performance with experience accumulated from the data observed. The course teaches the most fundamental algorithmic, theoretical and practical tools that any user of machine learning needs to know. [機器學習旨在讓電腦能由資料中累積的經驗來自我進步。本課程將介紹各領域中的機器學習使用者都應該知道的基礎演算法、理論及實務工具。]

機器學習基石上 (Machine Learning Foundations)---Mathematical Foundations (CourseraArchive) 0 个评论 关注

开始时间: 04/22/2022 持续时间: Unknown

主页: https://www.coursera.org/archive/ntumlone-mathematicalfoundations

简介: National Taiwan University

機器學習基石下 (Machine Learning Foundations)---Algorithmic Foundations (CourseraArchive) 1 个评论 关注

开始时间: 04/22/2022 持续时间: Unknown

主页: https://www.coursera.org/archive/ntumlone-algorithmicfoundations

简介: National Taiwan University

Recommender Systems Specialization (Coursera专项课程) 0 个评论 关注

开始时间: 12/21/2023 持续时间: Approximately 5 months to complete Suggested pace of 3 hours/week

主页: https://www.coursera.org/specializations/recommender-systems

简介: **推荐系统专业化课程总结** 本课程旨在教授推荐系统的基本技术，帮助学员预测用户偏好。课程内容覆盖非个性化推荐和基于内容的推荐、协作过滤技术、矩阵分解、高级混合机器学习方法以及用户与产品偏好的降维技术。 该专业化课程适合数据挖掘专家在工作中实施协作过滤技术，同时也为希望深入了解这些主题的数据知识型营销专业人士提供学习机会。课程包含基于电子表格的互动练习，帮助学员掌握不同的算法，并提供荣誉项目，使用LensKit开源工具包进行更深层次的研究。 通过完成该专业化课程，学员将能够实施和评估推荐系统。在最终的顶峰项目中，学员将运用所学知识进行实际的推荐系统设计与分析。 **课程链接**: [推荐系统入门](https://www.coursera.org/learn/recommender-systems-introduction) **课程列表**: 1. [推荐系统：非个性化与基于内容的推荐](https://www.coursera.org/learn/recommender-systems-introduction) 2. [最近邻协作过滤](https://www.coursera.org/learn/collaborative-filtering) 3. [推荐系统：评估与指标](https://www.coursera.org/learn/recommender-metrics) 4. [矩阵分解与高级技术](https://www.coursera.org/learn/matrix-factorization) 5. [推荐系统顶峰项目](https://www.coursera.org/learn/recommeder-systems-capstone) 通过这些课程的学习，学员将能够获得全面的推荐系统知识，掌握相关算法，并具备设计和评估推荐系统的能力。