Übersicht
Worum es bei diesem Projekt geht.
Implementiere zwei Empfehlungsverfahren für einen Shop, bewerte sie mit Recall@3 und erhalte dein verifizierbares Zertifikat.
Das Briefing
Was Du tust und was Du zeigst.
Liefere zwei Empfehlungs-Basislinien plus eine offline-basierte Entscheidung, welche zuerst in den Live-Test gehoert.
Earning criteria — what you'll demonstrate
- Klassisches Kookkurrenz-Recommending und Matrix-Faktorisierung mit den eigenen Haenden bauen
- Empfehlungen offline mit Top-k-Metriken (Recall@k) sauber bewerten
- Coverage (wieviele Artikel kommen ueberhaupt vor) als zweite Achse neben Genauigkeit beruecksichtigen
- Eine ML-Entscheidung in eine geschaeftsklare Empfehlung uebersetzen
Studienpassung
Wo dies in Dein Studium passt.
Schärft dieselben Fähigkeiten, die Dein Studium von Dir erwartet.
Machine Learning (Undergraduate)
Bachelor · Ai Ml
Fit score: 1
Fähigkeiten
Fähigkeiten, die Du unter Beweis stellst.
Jede taucht auf Deinem verifizierten Zertifikat auf.
Karrieren
Berufe, auf die dies Dich vorbereitet.
Echte Berufsbezeichnungen. Echte Skill-Brücken. Wähle die, die Deinem Werdegang am nächsten kommt.
Karrierewege, die das aufbaut
Kanonische RollenMachine Learning Engineer
Zwei Empfehlungs-Basislinien zu bauen, offline zu vergleichen und produktionsreif als Modul zu uebergeben ist eine typische erste Aufgabe im Recommender-Bereich.
Dieses Projekt schärft
- recommender-systems
- matrix-factorization
- python
Data Scientist
Offline-Bewertung mit Recall@k und Coverage richtig zu interpretieren und eine konkrete Live-Test-Entscheidung daraus abzuleiten ist Data-Science-Tagesgeschaeft im E-Commerce.
Dieses Projekt schärft
- model-evaluation
- recommender-systems
- data-visualization
Noch eine Sache