Vergleiche Empfehlungsprototypen nach Datenannahmen, Produktzielen, Datenschutz und Evaluationsbelegen.
Nutze verschiedene Empfehlungsszenarien, um interaktions- und inhaltsbasierte Prototypen einzuordnen und Aussagegrenzen einer Demo zu prüfen. Definiere Feedback und Rankingziele, untersuche Itemmerkmale und Exposure-Bias und plane Einwilligung, Vielfalt, Cold Start und Nutzerkontrolle. Aufgaben nutzen erfundene Fälle oder erlaubte Katalogmetadaten; eine Demo beweist weder universellen Geschmack noch Produktwirkung.
Definiere Ziele, Nutzer, Items, Kontext und Feedback für verschiedene Empfehlungsszenarien. Vergleiche Interaktions- und Inhaltsansätze und erkenne Sparsity-, Exposure-, Datenschutz- und Metadatenprobleme. Plane Evaluation und Nutzerkontrollen für Baselines, Abdeckung, Vielfalt und Belege über Demos hinaus.
Grundkenntnisse in Tabellen, Produktmetriken und ML-Begriffen sind hilfreich. Programmieren ist nicht erforderlich. Nur erlaubte Daten nutzen, identifizierbare Hör- und Sehverläufe vermeiden und keine sensiblen Merkmale oder universellen Vorlieben ableiten.
Lernende mit Grundkenntnissen, die praktische, selbstständige Fähigkeiten aufbauen möchten
Menschen, die am besten mit Beispielen, Anleitung und praktischen Übungen lernen
Fachleute, Kreative und unabhängige Entwickler, die wiederholbare Abläufe suchen
Lektion 1 ist kostenlos
4 lektionen · Fortgeschrittene Grundlagen · Vollständiger Kurs.
Dieser Kurs verwendet CC BY-lizenziertes Material mit Namensnennung des Inhaltsanbieters oder Uploaders. Die Wiedergabe der Lektionen ist erst nach Anmeldung und bestandener Veröffentlichungs- und Lizenzprüfung verfügbar.