cos'è il Il filtraggio collaborativo ? Il filtraggio collaborativo può essere considerato una tecnica per fornire consigli in un sistema o motore di suggerimenti. In sostanza, possiamo dire che è un modo per trovare somiglianze tra utenti e oggetti. I sistemi di raccomandazione hanno un'ampia gamma di applicazioni in tutti i domini. Costruire un buon sistema di raccomandazione adatto alle esigenze aziendali è sempre una sfida. Un buon sistema può essere sviluppato solo quando c'è una buona comprensione del suo funzionamento. In questo articolo, discuteremo come creare da zero un sistema di raccomandazione , in particolare basato su filtri collaborativi. Inizieremo con i dati casuali e costruiremo un sistema di raccomandazione per generare raccomandazioni. Indice Che cos'è il filtro collaborativo? Uso della correlazione Implementazione del filtraggio collaborativo basato sugli elementi Implementazione del filtraggio collaborativo basato sull'utente Iniziamo con la comprensione del filtro collaborativo. Che cos'è il filtro collaborativo? Il filtraggio collaborativo può essere considerato una tecnica per fornire consigli in un sistema o motore di suggerimenti. In sostanza, possiamo dire che è un modo per trovare somiglianze tra utenti e oggetti. Utilizzandolo possiamo calcolare le valutazioni in base alle valutazioni di utenti simili o articoli simili. I sistemi di raccomandazione basati sul filtraggio collaborativo possono essere classificati nei seguenti modi: Basato sul prodotto: questo tipo di sistema di raccomandazione aiuta a trovare somiglianze tra gli articoli oi prodotti. Questo viene fatto generando dati sul numero di utenti che hanno acquistato due o più articoli insieme e se il sistema trova una correlazione elevata, presume la somiglianza tra i prodotti. Ad esempio, ci sono due prodotti X e Y che sono altamente correlati quando un utente acquista X, il sistema consiglia di acquistare anche Y. Basato sull'utente: questo tipo di sistema aiuta a trovare utenti simili in base alla loro natura di selezione degli articoli. Ad esempio, un utente utilizza un casco, una ginocchiera e una protezione per i gomiti e il secondo utilizza solo un casco e una protezione per i gomiti al momento della guida in bicicletta, il sistema di raccomandazione basato sull'utente consiglierà al secondo utente di utilizzare una protezione per le ginocchia. In questo articolo cercheremo di comprendere da zero il filtraggio collaborativo. Per prima cosa creeremo un esempio di dati e cercheremo di trovare somiglianze tra gli elementi. Trovare la somiglianza tra gli elementi è correlato alla ricerca della correlazione tra gli elementi in base ai dati che abbiamo. Prima di passare all'implementazione ci viene richiesto di capire qual è la correlazione. Uso della correlazione La correlazione può essere considerata come la relazione tra due variabili. Questo può essere di tre tipi positivo, negativo o neutro. Se due variabili sono correlate positivamente, possiamo dire che i cambiamenti in una variabile in direzione positiva o negativa possono fornire un cambiamento nella seconda variabile in direzione positiva o negativa. Se la correlazione è negativa, un cambiamento in una variabile può causare un cambiamento nella direzione opposta. Se le variabili sono correlate in modo neutro, le modifiche in una variabile non provocano una modifica nell'altra. La misurazione della correlazione può essere effettuata utilizzando il coefficiente di correlazione. Il calcolo del coefficiente di correlazione può essere effettuato calcolando prima la covarianza della variabile e poi dividendo per la quantità di covarianza per il prodotto delle deviazioni standard di tali variabili. Matematicamente, Dove, r = coefficiente di correlazione x i = valori di x variabile in un campione x = media dei valori della variabile x y i = valori della variabile y in un campione y = media dei valori della variabile y E' veramente molto semplice, potresti quasi calcolarla con un foglio di carta e una calcolatrice Esistono molti tipi di coefficienti di correlazione utilizzati nell'analisi statistica, utilizziamo principalmente la correlazione di Pearson per i sistemi di raccomandazione perché è una misura della forza e della direzione della relazione lineare tra due variabili. Passiamo all'implementazione di un sistema di raccomandazione. Implementazione del filtraggio collaborativo basato sui prodotti 1. Importiamo le librerie #Importiamo le libreire import pandas as pd import numpy as np import matplotlib.pyplot as plt 2. Set di dati In questo articolo, implementeremo un sistema di raccomandazione utilizzando l'approccio di filtraggio collaborativo a tale scopo lavoreremo su dati semplici. Diciamo che abbiamo alcuni utenti, prodotti e valutazioni di quel prodotto fornite dall'utente. Possiamo creare un tale set di dati utilizzando il codice di seguito #creiamo un dataset finto molto semplice per farti capire come funziona un filtro collaborativo, #successivamente per te sarà facile implementarlo con i tuoi dati data2 = {'user_id':[1, 2, 3, 1, 2], 'product_id':[1, 2, 1,2,3], 'product_name':['product_1', 'product_2', 'product_1','product_2','product_3'], 'rating':[3,3,3,2,2] } items_df = pd.DataFrame(data2) items_df Output: 3. Tabella pivot Creiamo una tabella pivot utilizzando questi dati in base a user_id e product_name. #Creiamo una tabella Pivot tra il voto e i prodotti pivot = pd.pivot_table(items_df,values='rating',columns='product_name',index='user_id') pivot Output: Qui nell'output sopra, possiamo vedere la nostra tabella pivot. Questo formato di tabella può essere utilizzato per calcolare la correlazione. Poiché la correlazione sarà maggiore, possiamo usarli come nostra raccomandazione. Generazione di raccomandazione Per comprendere chiaramente il processo, abbiamo utilizzato un set di dati molto semplice e possiamo dire, vedendo la tabella sopra, che i prodotti 1, 2 e 3 hanno valutazioni simili e il prodotto 1 ha due recensioni. Quindi potrebbe esserci la possibilità che i prodotti 2 e 3 siano consigliati con il prodotto 1. Verifichiamo i nostri risultati. #generiamo una raccompandazione in base a prodotti e rating print('Il prodotto da consigliare quando viene acquistato il product_2 è :') print( pivot.corr()['product_2'].sort_values(ascending=False).iloc[1:2]) Output : Il prodotto da consigliare quando viene acquistato il product_2 è : product_name product_1 NaN Utilizzando le righe di codici sopra, calcoliamo la correlazione tra i prodotti e ordiniamo i valori. Quindi abbiamo stampato 1 valore e abbiamo scoperto che il nostro sistema ci consiglia di acquistare o utilizzare il prodotto 2 con il prodotto 1. Implementazione del filtraggio collaborativo basato sull'utente Nella sezione precedente, abbiamo esaminato il processo di creazione di dati e tabelle pivot. In questa sezione, utilizzeremo dati simili per implementare il filtraggio collaborativo basato sull'utente. 1. Tabella pivot Iniziamo con la creazione di una tabella pivot per il filtraggio collaborativo basato sull'utente. A questo scopo, ci viene richiesto di invertire la nostra vecchia tabella pivot, il che significa che ora stiamo creando una tabella pivot basata sugli utenti come colonne. #Creiamo una tabella Pivot tra il voto e gli utenti pivot1 = pd.pivot_table(items_df,values='rating',columns='user_id',index='product_name') pivot1 Output: Nella tabella sopra, possiamo vedere che abbiamo user-id come colonna e prodotti come riga. 2. Generazione di raccomandazione In questa sezione, troveremo utenti simili in base alle valutazioni fornite. In modo da poter filtrare gli utenti e fornire consigli simili su elementi diversi oppure possiamo anche fornire consigli a un utente in base a una cronologia utente simile. #generiamo una raccompandazione in base a utenti e rating print('Gli utenti simili a user_2 sono :') print( pivot1.corr()[2].sort_values(ascending=True).iloc[1:2]) Output: Gli utenti simili a user_2 sono : user_id 1 NaN Nell'output sopra, possiamo vedere che l'utente 1° è più simile all'utente 2°, ed è perché hanno fornito valutazioni quasi simili nel nostro set di dati principale. Conclusione In questo articolo, abbiamo esaminato le intuizioni di base alla base della creazione di sistemi di raccomandazione utilizzando tecniche di filtraggio collaborativo e abbiamo imparato questo approccio da zero. Condividi l'articolo se ti è piaciuto :)

modo sorprendentemente semplice per iniziare a lavorare con il riconoscimento facciale utilizzando Python Scritto originariamente in C/C++, ora fornisce collegamenti per Python. Scriviamo e capiamo il codice per il Riconoscimento Facciale in python Analizziamo il codice vero e proprio Per prima cosa avrai bisogna del tuo file Python ( face_detect.py ) o netebook ( .ipynb ) , l'immagine Mettiamo alla prova la nostra foto: $ python face_detect.py image.png haarcascade_frontalface_default.xml

Dopo aver esplorato le basi di LangChain e il suo potente abbinamento con Python nei nostri precedenti In questo articolo, esploreremo come LangChain e Python possono essere utilizzati per integrare la memoria illustrando passo dopo passo come implementare la memoria nei tuoi chatbot Cos'è la memoria in LangChain e Python Ecco un esempio di codice Python che mostra come creare una struttura di memoria base: from langchain.memory

Inoltre, forniremo un esempio pratico di cluster analysis con Python, mostrando come eseguire un'analisi Passi per eseguire un'analisi di cluster con K-means in Python Codice di esempio per eseguire un'analisi Esempio di cluster analysis con Python Per illustrare come utilizzare K-means per eseguire un'analisi di cluster, in questa sezione forniremo un esempio pratico utilizzando Python. Questo è solo un esempio di come utilizzare K-means per eseguire un'analisi di cluster con Python.

Esempio di Modello di Machine Learning di Regressione Logistica con Python from sklearn.datasets import Esempio di Modello di Machine Learning dell'albero delle decisioni con Python from sklearn.datasets import Esempio di Modello di Machine Learning di Naive Bayes con Python from sklearn.datasets import load_iris

Tratteremo due diversi approcci alla costruzione e all'addestramento di alberi decisionali con Python decisionali effettuano previsioni e suddividono i dati Creare e allenare un albero decisionale con Python e scikit-learn Creare e allenare un albero decisionale con Python senza libreire Misure di accuratezza automatico ampiamente utilizzata per Python. da zero utilizzando solo i moduli Python integrati.

Per la trattazione dell’argomento si farà uso del software di programmazione Python in ambiente Jupiter Prima di iniziare a leggere questo articolo su come creare un modello ARIMA in Python per le previsioni La programmazione di un sistema previsionale in Python per le previsioni di Trading Ricordiamo I passi utilizzare Addestramento del modello Valutazione dell'affidabilità del modello Previsione Utilizzando Python Conslusioni su come creare un modello ARIMA in Python per le previsioni di Trading Con quanto illustrato

Tutorial con python e un modello BERT Uso di BERT per l'analisi del sentimento PyTorch L'analisi del 25 righe di codice Tutorial di Regressione Logistica per l'apprendimento automatico Scikit Learn e Python Tutorial Per Creare Modelli di Intelligenza Artificiale Tutorial Pratico Tensorflow , TensorBoard e Python in Python con Keras Step-By-Step Come costruire modelli predittivi sanitari utilizzando PyHealth? Implementare le reti neurali ricorrenti (RNN) con Python e Keras Deep learnign e python : Object Recognition

Cos'è Python: Una breve introduzione a Python, cos'è e perché è un linguaggio di programmazione popolare Utilizzo di Python con Power BI: Esempi di come Python può essere utilizzato con Power BI per svolgere Puoi scaricare Python dal sito web di Python . Nell'immagine precedente, il percorso locale di installazione di Python è C:\Python . Power BI usa l'ultima versione di Python installata come motore Python.

che utilizza principalmente Python? Quanto sarebbe bello se potessimo scrivere siti Web in Python? ed eseguire tutto il tuo sviluppo web in Python. di Python e lo stack scientifico (come numpy, panda, scikit-learn e altro) Python con JavaScript: comunicazione Un altro modo in cui puoi far eseguire codice Python in py-script proprio come fanno in un file Python

Una guida sulla creazione di un motore di ricerca che utilizzano il deep learning con python . Creare un motore di ricerca che utilizza il deep learning con Python Implementeremo il sistema di recupero delle informazioni usando python. Abbiamo implementato il sistema di recupero dei documenti utilizzando Python e l'incorporamento di parole

Se stai cercando le librerie python ad oggi disponibili e ben collaudate per il tuo prossimo progetto Rilasciato con licenza BSD e scritto in Python, consente di lavorare con le immagini o i flussi video Migliori librerie di computer vision 4 Keras Keras è una libreria software open source basata su Python Face DeepFace si posiziona come la libreria open source di riconoscimento facciale più popolare per Python delle immagini Migliori librerie di computer vision 13 Albumentations Albumentations è una libreria Python

e di un esempio di estrazione di testo da un'immagine utilizzando la libreria Keras-OCR in Python. Librerie Python OCR disponibili Ora che abbiamo compreso l'OCR e il suo utilizzo, diamo un'occhiata ad Pytesseract – Chiamato anche "Python-tesseract", è uno strumento OCR per Python che funziona come wrapper EasyOCR – Un'altra libreria Python abbastanza popolare è EasyOCR. È un modulo Python OCR generale che supporta più di 80 lingue e può leggere scene naturali e testo denso

python3-pip #per python 3 Se Fedora sudo yum install python-pip sudo yum install python3-pip #per python 3 Letture consigliate per "Come scaricare,gestire e disinstallare le librerie di Python " Perchè Python Migliori IDE Python per il machine learning e data science Importare file excel, csv e html con Python Riconoscimento facciale con Python Filtro collaborativo cos'è e come implementarlo con python Trucchi Python per la data science Intelligenza Artificiale (IA) e Python Come si Relazionano?

guiderò attraverso l'attività di previsione dell'affitto di case con l'apprendimento profondo utilizzando Python Prevedere l' affitto della casa con Python L'affitto di una proprietà abitativa dipende da molti fattori Previsione dell'affitto di una casa utilizzando Python Inizierò l'attività di previsione dell'affitto della casa importando le librerie Python necessarie e il set di dati : import pandas as pd import numpy Price = [[34922.3]] Conclusione sulla previsione dell'affitto di una casa con Deep Learning usando Python