iT邦幫忙

2018 iT 邦幫忙鐵人賽
DAY 1
0

https://ithelp.ithome.com.tw/upload/images/20171219/20103632zQW5qNcE6N.png

前言:相信許多人在最近都時常聽到機器學習、深度學習等的話題,本次的ithome鐵人系列文 Data Science with Azure 將會帶大家從幾個有趣的例子,從演算法以及實作當中學習推薦系統、分類、分群以及電腦視覺的應用。

首先出場的是大家很熟悉的推薦系統,不管是電子商城(pchome, ebay, amazon)或是youtube, spotify也都有推薦系統的蹤影。到底這樣的系統是基於什麼樣的使用情境以及演算法設計呢?讓我們繼續看今天的內文...

  • 推薦系統的使用情境
  • Azure Machine Learning Studio中的推薦系統

推薦系統的使用情境

許多人會想知道,什麼樣的狀況下會需要建立一個推薦系統?

身為一個使用者,你可能在逛商場的時候,會想要找到適合你的商品。
而身為一個店家,你可能在經營商場的時候,會想要讓商品可以帶來更多的利潤。

站在商家的立場
宣傳新品,增加曝光
透過推薦拉長顧客停留時間
清庫存(?)讓過季商品有再度出現在顧客眼前的機會

站在顧客的立場
在太多商品的情境下找到相似的物件
在太多商品的情境下找到適合我的物件

因此我們可以知道,在一個品項繁多的商場(無法用手點擊滑鼠看完的數量),可能在一樣新商品要推出時,使用者們還不曉得如何透過搜尋找到這項商品。也可能是過去販售過的某樣商品,跟近期的某些熱賣物品屬於同一類型,這時候就很適合透過推薦系統讓這樣商品重回熱銷排行榜。另外像是youtube, spotify也會透過推薦曲目、影片,讓使用者駐留在該服務的時間延長,轉而讓該平台的廣告商或平台有更多機會與使用者互動及推銷。

Azure Machine Learning Studio中的推薦系統

這次的系列文章會使用Azure Machine Learning Studio當作範例,
如果還沒有註冊的讀者也可以點擊Azure Machine Learning Studio註冊。

看影片了解Azure Machine Learning Studio:
Machine Learning Studio對於許多演算法初學者來說,是非常友善的平台。不管是豐富的學習資源(開放資料及、官方範例等),也不需要撰寫程式碼就可以完成一個能夠與外界互動的API。讓大家能夠從非常初學開始學習,了解各項演算法的概念後,也能夠加入自己撰寫的 python 或 R 程式碼在其中。
Yes

其中最推薦的就是Gallary:(https://gallery.cortanaintelligence.com/) Gallary當中有不同產業的應用範例,包含零售、製造、銀行、醫療等產業,讓不同領域的人都可以找到適合自己的使用情境。
https://ithelp.ithome.com.tw/upload/images/20171219/20103632wfZV1aGayc.png

而這次我們要討論的則是當中的 Recommender: Restaurant ratings
可以先點入了解,複製一份到自己的workspace,熟悉一下環境。

明日會帶大家更深入探討: 推薦系統的類型 以及 其背後的演算法

Reference
圖片 https://www.slideshare.net/shopieasy


下一篇
[02][Machine Learning - 推薦系統] 演算法介紹
系列文
Data Science with Azure12

尚未有邦友留言

立即登入留言