Dieses Training richtet sich an alle Interessierten, die wissen, was Matrizen, Skalarprodukte und Ableitungen sind. Da die Beispiele bzw. Lösungen in Python programmiert werden, sind Grundlagen erforderlich, um selbst etwas zu implementieren und dabei hands-on zu lernen. Optional und optimal sind Packages wie NumPy, Pandas und Scikit-Learn sowie JuPyter Lab bzw. Notebooks bekannt.
Die Teilnehmer/-innen des Trainings
* verstehen die Motivation und lernen Use-Cases für Recommender kennen,
* erlernen das Grundvokabular für Recommender,
* implementieren verschiedene Recommender-Ansätze und erfahren dabei deren Stärken und Schwächen,
* vestehen grundsätzliche Problemen bei Personalisierung,
* bekommen einen Eindruck über aktuelle Trends bei Recommender-Systemen.
Motivation und Grundlagen:
Collaborative Filtering: Wieso das, was andere tun, für mich relevant ist
Content-based Filtering: Wie gehen wir eigentlich mit Attributen wie Genre oder Alter um – aka was tun wir, wenn's kalt wird?
Marcel Kurovski arbeitet als Data Scientist für inovex. Zu seinen Spezialgebieten zählen Deep Learning, Reinforcement Learning und vor allem Recommender-Systeme. Unter dem Thema "Data Science to Production" beschäftigt er sich auch mit den Schritten von der Exploration bis zum Deployment von Modellen und deren kontinuierlicher Weiterentwicklung. Während seines Studiums des Wirtschaftsingenieurwesens am KIT hat er einen quantitativen Fokus auf Machine Learning, Simulation und Operations Research gesetzt.
Sie möchten über die ML Essentials
auf dem Laufenden gehalten werden?
Dann abonnieren Sie den Newsletter der zugehörigen Konferenz Minds Mastering Machines (M3).