Untersuchen Sie Präferenzsignale, Faktorisierungsmodelle und faire Empfehlungen.
Untersuchen Sie Empfehlungssysteme von Collaborative Filtering und Präferenzsignalen bis zu kompakter Ähnlichkeitscodierung, fairnessbewusster Empfehlung und Faktorisierungsmaschinen. Achten Sie darauf, wie Feedback erhoben wird und wie Evaluationsentscheidungen Rankingqualität und Fairness prägen. Die englischsprachigen Videos werden durch originäre Notizen ergänzt, nicht durch Transkripte.
Explizite und implizite Präferenzsignale unterscheiden und Erhebungsverzerrungen erkennen. Erklären, wie Ähnlichkeitscodierung und Faktorisierung Nutzer-Item-Beziehungen darstellen. Eine Evaluation mit Rankingqualität, Abdeckung und fairnessbezogenen Maßen entwerfen.
Kenntnisse zu überwachtem Lernen, Matrixoperationen und Evaluationsmetriken sind empfehlenswert. Erfahrung mit Empfehlungssystemen ist hilfreich, aber nicht vorausgesetzt.
Erfahrene Lernende, die fortgeschrittene KI-Kenntnisse vertiefen und anwenden möchten
Menschen, die am besten mit Beispielen, Anleitung und praktischen Übungen lernen
Fachleute, Kreative und unabhängige Entwickler, die wiederholbare Abläufe suchen
Probiere die erste Lektion
Probiere die erste Lektion kostenlos mit einem kostenlosen Konto, ohne Zahlungskarte. Weitere kostenpflichtige Lektionen erfordern gültigen Academy-Zugang, eine aktive Testphase oder Lumi Pro.
4 lektionen · Fortgeschritten · 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.
KI-unterstützte redaktionelle Analyse der genannten Quellen, kein Praxistest und keine Kundenbewertung. Anbieterangaben sind keine unabhängigen Leistungsmessungen.
Diese Kursseite stellt eine fortgeschrittene Reihe zu Empfehlungssystemen vor, die kollaboratives Filtern, alternative Präferenzsignale, bitgenaue Kodierung von Ähnlichkeit, fairnessbewusste Empfehlungen und Faktorisierungsmaschinen behandelt. Ihr erklärter Rahmen besagt, dass jede Methode als Vorschlag zu betrachten ist, der gegen transparente Baselines getestet werden sollte, und nicht als universelle Lösung. Die Seite beschreibt weder einen detaillierten Lehrplan noch den Hintergrund der Dozierenden oder Lernergebnisse über die genannten Ziele hinaus, sodass ihre Qualität nur anhand des angebotenen Rahmens beurteilt werden kann.
Die Seite richtet sich am deutlichsten an Lernende mit etwas Vorwissen im maschinellen Lernen, die verstehen möchten, wie Nutzer-Item-Präferenzdaten zu Empfehlungen werden. Sie empfiehlt Vertrautheit mit überwachtem Lernen, Matrixoperationen und Evaluationsmetriken und nennt erfahrene Lernende sowie Personen, die über Beispiele und praktische Übungen am besten lernen, als Zielgruppe. Wer eine schnelle, werkzeugorientierte Einführung sucht, findet den Kurs möglicherweise eher theoretisch als praktisch, während eine Praktikerin oder ein Praktiker, die bzw. der das Evaluationsdesign eines Empfehlungssystems durchdenken möchte, besser passen dürfte.
Der Kurs betont, wie Feedback erhoben wird, was Nutzer-Item-Interaktionen kodieren und wie Rangqualität und Fairness vom Evaluationsdesign abhängen. Die aufgeführten Themen umfassen mehrere Methoden, und die Seite beschreibt vier Lektionen, sodass Lernende eine konzentrierte Übersicht statt einer erschöpfenden Behandlung einzelner Bereiche erwarten sollten. Die Seite gibt außerdem an, dass die Wiedergabe der Lektionen erst nach Veröffentlichung und bestandenen Lizenzprüfungen über einen authentifizierten Zugang möglich ist, weshalb der Umfang einer etwaigen kostenlosen Vorschau vor der Zeitinvestition überprüft werden sollte.
Prüfen Sie vor einer Zeitinvestition die aktuellen Zugangsbedingungen auf der Seite, da die Wiedergabe von einem authentifizierten Zugang abhängt und die Inhalte als CC BY-lizenziert gekennzeichnet sind. Bestätigen Sie, was die kostenlose Lektion umfasst, was der vollständige Kurs bietet und ob Kosten anfallen; diese Analyse legt keinen Preis fest. Prüfen Sie außerdem, ob die vier Lektionen dem beschriebenen Umfang entsprechen und ob die Videos mit englischer Tonspur durch die auf der Seite erwähnten Originalskripte ergänzt werden. Die Quelle enthält weder Bewertungen von Lernenden noch Abschlussdaten, daher sollte der praktische Nutzen anhand der angegebenen Ziele und der kostenlosen Lektion beurteilt werden.
Lektionen dieses Kurses besucht? Was hast du gelernt und was könnte klarer sein?
Erfahrung teilen · Korrektur vorschlagen
Feedback geht vertraulich an unser Team. Es wird nicht automatisch veröffentlicht oder als Bewertung gezählt. Teile keine Passwörter, Kundendaten oder sensiblen Informationen.