Ce que vous apprendrez ?

  • Construire et déployer un système de recommandation complet, incluant l'ingestion de données, la formation du modèle, l'évaluation et la visualisation des résultats, en utilisant les librairies Python spécifiées.
  • Appliquer des techniques de prétraitement des données (nettoyage, transformation, réduction de dimensionnalité) pour améliorer la performance des systèmes de recommandation.
  • Visualiser et interpréter les résultats des systèmes de recommandation à l'aide de Matplotlib, en identifiant les forces et les faiblesses de chaque modèle.
  • Implémenter et comparer des algorithmes de recommandation tels que l'approche basée sur l'utilisateur, l'approche basée sur l'item et les modèles matriciels (MF) en utilisant des données réelles.
  • Développer et évaluer au moins trois systèmes de recommandation différents (basés sur le contenu, collaboratif et hybride) utilisant Python, Pandas, Scikit-learn, TensorFlow/Keras.

Prérequis

  • Connaissance de base de la programmation orientée objet. Familiarité avec le langage de programmation Python (structures de données, boucles, fonctions). Compréhension des concepts de base de la statistique (moyenne, médiane, écart type, corrélation). Connaissance des concepts de base du Machine Learning (apprentissage supervisé, non supervisé). Familiarité avec les librairies Pandas pour la manipulation de données. Capacité à installer et utiliser des librairies Python (pip, conda). Connaissance de base des mathématiques linéaires (vecteurs, matrices). Capacité à travailler avec des ensembles de données volumineux. Compréhension des concepts de base du Deep Learning (réseaux neuronaux, backpropagation). Expérience avec au moins un environnement de développement Python (ex: Jupyter Notebook, VS Code). Capacité à interpréter des résultats et à tirer des conclusions. Curiosité et motivation à apprendre des concepts avancés. Accès à un ordinateur avec une configuration suffisante pour exécuter les codes Python et les librairies mentionnées.

Contenu de la Formation

Total: 8 Chapitres Total hours: 6-12
  • Aperçu des systèmes de recommandation
  • Types de systèmes de recommandation
  • Algorithmes de filtrage par contenu
  • Mesures de similarité
  • Algorithmes de filtrage collaboratif
  • Évaluation des algorithmes collaboratifs
  • Pandas pour la manipulation des données
  • Scikit-learn pour les algorithmes d'apprentissage automatique

À TÉLÉCHARGER

À propos de l'instructeur

Avatar image
IDRISSI

nouhaila.idrissi@openskillroom.com

Nouhaila IDRISSI est Maître de conférences en Informatique et en Intelligence Artificielle. Après avoir terminé ses études à l’ENSIAS, elle a obtenu un doctorat en informatique et en apprentissage profond de l’École Mohammadia d'ingénieurs (EMI). Notre formatrice dispose de compétences pluridisciplinaires et complémentaires en IA, Big Data, Machine Learning, Deep Learning, NLP, Data Warehousing, BI et Cloud computing. Parallèlement à ses activités académiques, Dr IDRISSI est une collaboratrice active dans le milieu industriel, contribuant à combler le fossé entre la recherche académique et les applications du monde réel.

Retour des Apprenants

Avis

Pour ajouter un avis sur le cours, vous devez d'abord vous connecter. Connectez-vous ici

Caractéristiques du cours

  • Durée 6-12 hour
  • Language Français
  • Niveau de compétence.
  • CertificateNon
  • Nombre maximum d'inscrits
  • Type de formation

Devenir enseignant, Partagez vos connaissances

Rejoignez OpenskillRoom, la plateforme de formations synchrones qui valorise votre expertise.