Séance de cours

Systèmes de recommandation: MovieLens Dataset

Dans cours
DEMO: consectetur eiusmod
Nulla laboris fugiat quis deserunt officia veniam. Dolore nisi sit anim sint esse mollit sit. Deserunt id cupidatat eu adipisicing velit cillum cillum esse id. Cupidatat laborum nostrud laborum sint nisi consectetur in ut enim ex fugiat. Est id quis adipisicing eu proident aliqua tempor magna ea do consequat velit est.
Connectez-vous pour voir cette section
Description

Cette séance de cours couvre la mise en œuvre des systèmes de recommandation à l'aide du jeu de données MovieLens. L'instructeur montre le chargement de l'ensemble de données, l'exploration du nombre d'utilisateurs et de films, le fractionnement des données, la création de matrices d'éléments utilisateur et la mise en œuvre d'un filtrage collaboratif basé sur les éléments. La séance de cours progresse ensuite vers l’écriture de code pour les mesures de similarité, la prédiction des cotes et l’optimisation de la solution. Enfin, l'instructeur introduit un filtrage collaboratif basé sur l'utilisateur, calcule les similitudes entre les utilisateurs et prédit les cotes. La séance de cours se termine par un aperçu de l'évaluation des recommandateurs à l'aide des métriques RMSE et MAE dans la bibliothèque Surprise.

Enseignant
consequat consectetur pariatur aliqua
Aliquip minim occaecat culpa sunt ullamco ea irure ad nisi aute cillum nulla eu exercitation. Quis labore non do non esse consectetur veniam do mollit do. Irure ad excepteur amet culpa aliquip sint et nulla cillum labore est. Fugiat nostrud mollit est anim consectetur qui laboris dolor aliqua laboris mollit velit. Fugiat id laboris velit et anim dolor ea culpa consequat.
Connectez-vous pour voir cette section
À propos de ce résultat
Cette page est générée automatiquement et peut contenir des informations qui ne sont pas correctes, complètes, à jour ou pertinentes par rapport à votre recherche. Il en va de même pour toutes les autres pages de ce site. Veillez à vérifier les informations auprès des sources officielles de l'EPFL.
Séances de cours associées (36)
Introduction à la programmation R pour la génétique et la génomique
Introduit un cours sur la génétique et la génomique, en se concentrant sur la programmation R avec des exercices interactifs.
Programmation R : conditions, boucles, fonctions et graphiques
Couvre les conditions, les boucles, les fonctions et les graphiques en programmation R avec des exemples pratiques.
Régression : Hautes Dimensions
Explore la régression linéaire en dimensions élevées et la prévision pratique des prix des maisons à partir d'un ensemble de données.
Opérateur de densité: Matrice à l'état du système
Explore la transformation matricielle de l'opérateur de densité en physique quantique et les implications de la mesure du système, conduisant à l'effondrement de l'état.
Régression logistique : prédiction de la végétation
Explore la régression logistique pour prédire les proportions de la végétation dans la région amazonienne grâce à l'analyse des données de télédétection.
Afficher plus

Graph Chatbot

Chattez avec Graph Search

Posez n’importe quelle question sur les cours, conférences, exercices, recherches, actualités, etc. de l’EPFL ou essayez les exemples de questions ci-dessous.

AVERTISSEMENT : Le chatbot Graph n'est pas programmé pour fournir des réponses explicites ou catégoriques à vos questions. Il transforme plutôt vos questions en demandes API qui sont distribuées aux différents services informatiques officiellement administrés par l'EPFL. Son but est uniquement de collecter et de recommander des références pertinentes à des contenus que vous pouvez explorer pour vous aider à répondre à vos questions.