课程主页: https://www.coursera.org/learn/advanced-recommender-systems

课程名称：高级推荐系统

在这个课程中，学员们将会学习如何运用先进的机器学习技术来构建更复杂的推荐系统。机器学习使得能通过利用用户的历史意见来提供推荐，并能自动构建模型，而无需学员去思考模型的所有细节。

课程结束时，学员将掌握混合信息管理和如何结合不同的过滤方法。

课程大纲

高级协同过滤

在第一个模块中，我们将学习如何将机器学习应用于协同过滤技术。我们将学习如何编写一个基于项目的协同算法，该算法能够自动学习项目之间的最佳相似性，以提供更匹配用户意见的推荐。我们还将理解如何训练协同过滤算法以最小化这一差距，并最终定义一个基于排名比较的新误差指标，以设计学习排序算法。

奇异值分解技术 (SVD)

在第二个模块中，我们将研究一类新的基于维度降低和矩阵分解方法的协同过滤技术，它们都受到SVD（奇异值分解）的启发。我们将看到基于内存和基于模型的推荐系统之间的区别，并讨论它们的局限性和优势。特别是，我们将学习如何将基本的矩阵分解算法从基于内存的方法转变为基于模型的方法，并分析一个重要的参数——隐特征的数量。

混合和上下文感知推荐系统

在第三个模块中，我们将看到如何将两种或以上的基本算法，例如协同过滤和基于内容的技术，结合成混合推荐系统，以提高推荐质量。我们将研究不同的混合方法，从最简单的启发式算法到更复杂的基于机器学习的方法。

因子分解机 (FM)

在第四个也是最后一个模块中，我们将介绍一种与边信息相关联的新高级协同过滤技术，称为因子分解机（FM）。我们将讨论如何表示输入数据，并学习如何使用FM来结合不同类型的过滤技术，并通过调整系数和平衡不同类型的输入信息来做出更复杂的预测。

推荐系统挑战（荣誉）

推荐系统挑战是提高您能力的最佳方法：这是一个实践练习，提供了一个“动手实践”的机会，让您利用和改善在课程中学到的内容。比赛的应用领域是一个在线商店，提供的数据集包含来自一个在线超市的4个月交易记录。挑战的主要目标是发现用户将与哪些项目互动。虽然推荐系统挑战为可选项目，但如果完成，将在课程证书上获得荣誉称号。

总结

这门课程不仅专业性极强，还提供了丰富的实践机会，非常适合对推荐系统和机器学习感兴趣的学员。无论你是初学者还是有经验的开发者，都能从该课程中受益，并在实践中提升自身的技能。

课程主页: https://www.coursera.org/learn/advanced-recommender-systems