Trinity
Администратор
- Регистрация
- 10.07.21
- Сообщения
- 31.305
- Реакции
- 440.375
[Udemy] Программирование на Python: создание механизма рекомендаций в Django (2023)
Создайте механизм рекомендаций, используя Django и технику машинного обучения под названием Collaborative Filtering.
Пользователи будут оценивать фильмы, а система автоматически будет рекомендовать новые. Эти рекомендации будут выполняться партиями (т. е. не в режиме реального времени), чтобы разблокировать более масштабируемую систему для обучения и помощи тысячам пользователей.
В этом курсе мы будем использовать реальный набор данных под названием MovieLens; этот набор данных загружается в формате CSV и используется во всех видах учебных пособий по машинному обучению. Что особенного в этом курсе, так это то, что вы загрузите этот набор данных в базу данных SQL через модель Django. Одно это может стоить просмотра курса, поскольку базы данных SQL намного мощнее, чем файлы CSV.
Для пакетного вывода мы реализуем невероятно мощный фоновый рабочий процесс под названием Celery. Если вы раньше не использовали Celery, это будет для вас открытием, и когда вы соедините его с Django, у вас будет действительно мощный рабочий процесс, который может выполнять задачи в фоновом режиме, запускать задачи по расписанию или сочетать и то, и другое. Задачи в Celery — это просто функции Python со специальным декоратором.
Для оценки фильмов мы будем использовать HTMX. HTMX — это способ динамического обновления контента *без* перезагрузки страницы. Я уверен, что вы знаете, как каждый раз, когда вы нажимаете «Нравится» или «Подписаться», это то, что HTMX дает нам без накладных расходов на использование 1 строки JavaScript. Этот курс показывает нам практическую реализацию использования HTMX не только для оценки фильмов, но и для их сортировки, загрузки и многого другого.
Механизм рекомендаций в Django на самом деле представляет собой набор из 3 частей:
Веб-процесс: настройте Django, чтобы собирать интерес пользователей и предоставлять рекомендации, как только они станут доступны.
Конвейер машинного обучения: извлекайте данные из Django, преобразовывайте их и обучайте модель совместной фильтрации.
Рабочий процесс: это клей. Мы будем использовать Celery для планирования/запуска прогнозов обученной модели и обновления данных для пользовательских рекомендаций, связанных с Django.
Рекомендуемый опыт
Python 3.6+ (например, 30 дней Python)
Django 3.2+ (например, «Ваш первый веб-проект Django» или «Попробуйте Django 3.2»)
Celery с Django (например, Time & Tasks 2 или этот пост в блоге)
Для кого этот курс:
Помимо основ Django Developers (т. е. вы прошли курс Try Django)
Всем, кто заинтересован в создании мощных веб-приложений с интенсивным машинным обучением.
Любой, кто хочет узнать о процессах Python Celery for Worker
Любой, кто заинтересован в создании рабочих процессов, которые должны работать вместе с Django.
Требования
Опыт Python 3.6+ (например, первые 15/16 дней моего курса 30 Days of Python)
Опыт работы с Django 3.2+ (например, мой курс Your First Django Web Project или любой из серии Try Django)
Опыт работы с сельдереем приветствуется! (например, мой курс «Время и задачи 2»)
Опыт машинного обучения приветствуется, но не обязателен (ознакомьтесь с моим курсом Hello World of Machine Learning)
Основы Pandas — это плюс, но не обязательно (ознакомьтесь с моим курсом Try Pandas)
Материал на английском языке
Подробнее:
Создайте механизм рекомендаций, используя Django и технику машинного обучения под названием Collaborative Filtering.
Пользователи будут оценивать фильмы, а система автоматически будет рекомендовать новые. Эти рекомендации будут выполняться партиями (т. е. не в режиме реального времени), чтобы разблокировать более масштабируемую систему для обучения и помощи тысячам пользователей.
В этом курсе мы будем использовать реальный набор данных под названием MovieLens; этот набор данных загружается в формате CSV и используется во всех видах учебных пособий по машинному обучению. Что особенного в этом курсе, так это то, что вы загрузите этот набор данных в базу данных SQL через модель Django. Одно это может стоить просмотра курса, поскольку базы данных SQL намного мощнее, чем файлы CSV.
Для пакетного вывода мы реализуем невероятно мощный фоновый рабочий процесс под названием Celery. Если вы раньше не использовали Celery, это будет для вас открытием, и когда вы соедините его с Django, у вас будет действительно мощный рабочий процесс, который может выполнять задачи в фоновом режиме, запускать задачи по расписанию или сочетать и то, и другое. Задачи в Celery — это просто функции Python со специальным декоратором.
Для оценки фильмов мы будем использовать HTMX. HTMX — это способ динамического обновления контента *без* перезагрузки страницы. Я уверен, что вы знаете, как каждый раз, когда вы нажимаете «Нравится» или «Подписаться», это то, что HTMX дает нам без накладных расходов на использование 1 строки JavaScript. Этот курс показывает нам практическую реализацию использования HTMX не только для оценки фильмов, но и для их сортировки, загрузки и многого другого.
Механизм рекомендаций в Django на самом деле представляет собой набор из 3 частей:
Веб-процесс: настройте Django, чтобы собирать интерес пользователей и предоставлять рекомендации, как только они станут доступны.
Конвейер машинного обучения: извлекайте данные из Django, преобразовывайте их и обучайте модель совместной фильтрации.
Рабочий процесс: это клей. Мы будем использовать Celery для планирования/запуска прогнозов обученной модели и обновления данных для пользовательских рекомендаций, связанных с Django.
Рекомендуемый опыт
Python 3.6+ (например, 30 дней Python)
Django 3.2+ (например, «Ваш первый веб-проект Django» или «Попробуйте Django 3.2»)
Celery с Django (например, Time & Tasks 2 или этот пост в блоге)
Для кого этот курс:
Помимо основ Django Developers (т. е. вы прошли курс Try Django)
Всем, кто заинтересован в создании мощных веб-приложений с интенсивным машинным обучением.
Любой, кто хочет узнать о процессах Python Celery for Worker
Любой, кто заинтересован в создании рабочих процессов, которые должны работать вместе с Django.
Требования
Опыт Python 3.6+ (например, первые 15/16 дней моего курса 30 Days of Python)
Опыт работы с Django 3.2+ (например, мой курс Your First Django Web Project или любой из серии Try Django)
Опыт работы с сельдереем приветствуется! (например, мой курс «Время и задачи 2»)
Опыт машинного обучения приветствуется, но не обязателен (ознакомьтесь с моим курсом Hello World of Machine Learning)
Основы Pandas — это плюс, но не обязательно (ознакомьтесь с моим курсом Try Pandas)
Материал на английском языке
Подробнее:
Скачать:
Для просмотра скрытого содержимого вы должны войти или зарегистрироваться.
