Formation système de recommandation IA

Leçon 1 • Paysage des données pour les recommandations

Identifie les types de données qui alimentent les systèmes de recommandation et leurs exigences de qualité. Prépare les étudiants à auditer et planifier des pipelines de données.

Leçon 2 • Ce que font les systèmes de recommandation

Définit les systèmes de recommandation, leur rôle dans les produits et la valeur qu'ils génèrent. Établit le vocabulaire partagé utilisé tout au long du cours.

Leçon 3 • Paradigmes fondamentaux de recommandation

Passe en revue le filtrage collaboratif, le filtrage basé sur le contenu et les approches hybrides. Relie chaque paradigme aux types de problèmes qu'il résout le mieux.

Leçon 1 • Construction de profil utilisateur

Construit des profils utilisateur statiques et dynamiques à partir des historiques d'interaction. Relie les types de données de comportement utilisateur aux représentations d'entrée du modèle.

Leçon 2 • Construction de pipelines de caractéristiques scalables

Conçoit des pipelines par lots et en streaming qui fournissent des caractéristiques de manière fiable à grande échelle. Prépare les étudiants à une infrastructure de données de niveau production.

Leçon 3 • Extraction de caractéristiques d'éléments

Transforme les métadonnées brutes des éléments en caractéristiques structurées utilisables par les modèles. Étend les concepts de métadonnées d'éléments du chapitre 1 en étapes d'ingénierie actionnables.

Leçon 1 • Filtrage collaboratif basé sur la mémoire

Implémente des méthodes de similarité utilisateur-utilisateur et élément-élément à l'aide de matrices d'interaction. S'appuie directement sur le paradigme de filtrage collaboratif introduit au chapitre 1.

Leçon 2 • Méthodes de factorisation matricielle

Décompose les matrices d'interaction en représentations factorielles latentes pour des recommandations scalables. Introduit l'algèbre linéaire sous-jacente aux modèles de filtrage collaboratif modernes.

Leçon 3 • Modèles de retour implicite

Adapte la factorisation matricielle aux signaux implicites tels que les clics et les vues. Étend les concepts de retour implicite du chapitre 2 à l'entraînement du modèle.

Leçon 1 • Modèles de recommandation basés sur le texte

Utilise des techniques de traitement automatique du langage naturel (TALN) pour recommander des éléments en fonction de descriptions textuelles et d'avis. Étend les concepts de TF-IDF et d'embedding du chapitre 2 aux pipelines de recommandation.

Leçon 2 • Recommandation basée sur la connaissance

Encode les contraintes du domaine et les exigences utilisateur dans des systèmes de recommandation pilotés par des règles. Aborde les scénarios de démarrage à froid où les données d'interaction ne sont pas disponibles.

Leçon 3 • Architecture du filtrage basé sur le contenu

Construit des profils d'éléments et des modèles de préférence utilisateur à partir des caractéristiques des éléments. Applique les compétences en ingénierie des caractéristiques du chapitre 2 à la conception de modèles basés sur le contenu.

Leçon 1 • Modèles de recommandation sensibles à la séquence

Modélise les séquences d'interaction utilisateur avec des réseaux de neurones récurrents (RNN) et des architectures Transformer. Étend les concepts de profil basé sur la session du chapitre 2 aux modèles profonds séquentiels.

Leçon 2 • Réseaux de neurones à graphes pour les recommandations

Applique des réseaux de convolution sur graphes aux graphes d'interaction utilisateur-élément. Étend les concepts de graphe de connaissances du chapitre 4 à des modèles de réseaux de neurones à graphes (GNN) entraînables de bout en bout.

Leçon 3 • Modèles d'embedding neuronaux

Entraîne des embeddings utilisateur et élément à l'aide de frameworks de filtrage collaboratif neuronaux. S'appuie sur l'intuition de la factorisation matricielle du chapitre 3 avec une capacité non linéaire.

Leçon 4 • Autoencodeurs pour le filtrage collaboratif

Utilise des autoencodeurs variationnels et de débruitage pour apprendre des représentations utilisateur compactes. Relie la modélisation du retour implicite du chapitre 3 aux approches génératives.

Leçon 1 • Modèles de recommandation sensibles au contexte

Intègre le contexte de temps, de lieu et d'appareil dans le score de recommandation. Étend la construction de profil utilisateur du chapitre 2 avec des entrées contextuelles dynamiques.

Leçon 2 • Algorithmes de bandit pour l'exploration

Applique des méthodes de bandit manchot pour équilibrer l'exploration et l'exploitation dans les recommandations. Introduit l'apprentissage en ligne comme complément aux modèles entraînés hors ligne.

Leçon 3 • Infrastructure de service en temps réel

Conçoit des systèmes de service à faible latence qui récupèrent et classent les candidats en quelques millisecondes. Relie les compétences en pipelines de caractéristiques du chapitre 2 à l'architecture de service de production.

Leçon 1 • Techniques de débiaisage et d'atténuation

Applique le score de propension inverse, le reclassement et l'entraînement antagoniste pour réduire les biais. Fournit des outils de remédiation actionnables pour les modèles construits dans les chapitres précédents.

Leçon 2 • Sources de biais dans les recommandations

Catalogue le biais de popularité, le biais d'exposition et les boucles de rétroaction qui déforment les recommandations. Ancre l'analyse des biais dans les types de données et de modèles couverts dans les chapitres précédents.

Leçon 3 • Indicateurs d'équité et audit

Définit des indicateurs d'équité de groupe et individuelle et les applique aux sorties de recommandation. Étend les cadres d'évaluation du chapitre 1 aux dimensions d'équité.

Leçon 1 • Surveillance et détection de dérive

Suit les performances du modèle, la dérive des données et l'état de santé du système dans les systèmes de recommandation en production. Relie la surveillance de la qualité des données du chapitre 2 à l'observabilité en production.

Leçon 2 • Empaquetage et service de modèle

Empaquette les modèles entraînés dans des services conteneurisés avec des API versionnées. Opérationnalise les concepts d'infrastructure de service introduits au chapitre 6.

Leçon 3 • Entraînement et réentraînement continus

Automatise les pipelines de réentraînement de modèle déclenchés par des signaux de dérive ou à intervalles planifiés. Garantit que les systèmes de recommandation restent précis à mesure que le comportement des utilisateurs évolue.

Leçon 4 • Expérimentation en ligne et tests A/B

Conçoit des expériences A/B et d'entrelacement statistiquement valides pour les modifications de recommandation. Étend les fondamentaux des tests A/B du chapitre 1 à la conception d'expériences en production.