L'uso di metodi analitici ha acquisito molta importanza negli ultimi anni. La pratica di ottenere informazioni utili dai dati ha aiutato diverse aziende a migliorare le proprie prestazioni aziendali. Le analisi consentono alle aziende di ottenere un quadro chiaro degli eventi passati e del futuro delle loro prestazioni. Uno sguardo al futuro aiuta le aziende a prepararsi alla sfortuna (se presente) che sta per arrivare. Utilizzando l'analisi, le aziende possono trovare risposte a tre domande principali: "Cosa è successo" "Cosa sta accadendo" "Cosa accadrà" L'analisi non si limita solo a trarre informazioni dal passato, ma consente anche di prevedere i risultati futuri e ottimizzare le risorse aziendali. Di conseguenza, le forme più avanzate di analisi, ovvero predittiva e prescrittiva, hanno assunto maggiore importanza nel supportare le esigenze decisionali delle organizzazioni. In questo articolo, spieghremo le 3 principali forme di analisi che classificano tutte le forme di modelli analitici applicati in tutti i paesi. Secondo uno studio americano, le organizzazioni che si concentrano sull'automazione di base per espandere le proprie capacità di reporting possono migliorare il proprio ROI del 188%. Quindi, in linea di principio, quali sono i diversi tipi di analisi? 1. Analisi descrittiva Iniziamo con il tipo più elementare di analisi, ovvero l' analisi descrittiva . L'obiettivo dei modelli descrittivi è analizzare le tendenze storiche e individuare i modelli rilevanti per ottenere informazioni sul comportamento della popolazione. L'analisi descrittiva implica la ricerca di risposte a "cosa è successo?". È la forma di analisi più comunemente utilizzata dalle organizzazioni per il loro funzionamento quotidiano ed è generalmente la meno complessa. I modelli descrittivi utilizzano tecniche statistiche e matematiche di base per derivare indicatori chiave di prestazione che mettono in evidenza le tendenze storiche. Lo scopo principale del modello non è stimare un valore, ma ottenere informazioni sul comportamento sottostante. Gli strumenti comuni utilizzati per eseguire l'analisi descrittiva includono MS Excel, PowerBi e Tableu. Un tipico esempio nel settore bancario sarebbe la segmentazione della clientela. I dati storici vengono estratti per analizzare i modelli di spesa dei clienti e la quota di portafoglio per consentire un approccio mirato al marketing e alle vendite. Tali modelli sono strumenti potenti per profilare i clienti, ma sono limitati nella loro capacità predittiva rispetto al comportamento dei singoli membri della stessa popolazione. 2. Analisi predittiva L'analisi predittiva utilizza la modellazione statistica per determinare la probabilità che si verifichi un risultato futuro o una situazione. Implica la ricerca di risposte a "Cosa potrebbe accadere?". I modelli predittivi si basano su modelli descrittivi mentre vanno oltre l'utilizzo dei dati storici come base principale per il processo decisionale, spesso utilizzando dati strutturati e non strutturati provenienti da varie fonti. Consentono ai manager e data scientist di prendere decisioni informate fornendo un resoconto compressivo della probabilità che un evento si verifichi in futuro. Comprendono vari modelli statistici avanzati e concetti matematici sofisticati come foreste casuali, GBM, SVM, GLM, teoria dei giochi, ecc. Un modello predittivo si basa su un modello descrittivo per prevedere il comportamento futuro. Tuttavia, a differenza di un modello descrittivo che profila solo la popolazione, un modello predittivo si concentra sulla previsione del comportamento di un singolo cliente. Gli strumenti utilizzati per eseguire modelli predittivi variano in base alla natura della complessità del modello, tuttavia alcuni degli strumenti comunemente utilizzati sono RapidMiner, R, Python, SAS, Matlab, Dataiku DSS, e molti altri. Le risorse online sull'utilizzo di questi strumenti possono essere trovate su Coursera. Un tipico esempio nel settore bancario sarebbe l'analisi avanzata delle campagne. Può aiutare a prevedere la probabilità che un cliente risponda a una determinata offerta di marketing per migliorare il cross-selling e l'up-selling dei prodotti. Un altro esempio potrebbe essere la previsione della probabilità di frode sulle carte di credito. 3. Analisi prescrittiva L' analisi prescrittiva è il tipo più sofisticato di analisi che utilizza l'ottimizzazione e la simulazione stocastica per esplorare una serie di opzioni possibili e consigliare la migliore azione possibile per una determinata situazione. Implica la ricerca di risposte a "Cosa si dovrebbe fare?". I modelli prescrittivi vanno oltre i modelli descrittivi che affrontano solo ciò che sta accadendo e oltre i modelli predittivi che possono solo dire cosa accadrà, poiché continuano a consigliare cosa effettivamente dovrebbe essere fatto nel futuro previsto. Quantificano l'effetto delle azioni future sulle metriche aziendali chiave e suggeriscono l'azione più ottimale. I modelli prescrittivi sintetizzano i big data e le regole aziendali utilizzando algoritmi complessi per confrontare i probabili risultati di una serie di azioni e scegliere l'azione più ottimale per raggiungere gli obiettivi aziendali. I modelli prescrittivi più avanzati seguono un processo di simulazione in cui il modello apprende continuamente e automaticamente dai dati correnti per migliorare la propria intelligenza. Questi modelli sono in genere i più complessi in natura e quindi vengono utilizzati da alcune aziende progressiste e di grandi dimensioni, poiché sono difficili da gestire. Tuttavia, se implementati correttamente, possono avere un forte impatto sull'efficacia del processo decisionale di un'azienda e, di conseguenza, sui suoi profitti. Detto questo, i progressi tecnici come i super computer, il cloud computing, Hadoop HDFS, Spark, l'elaborazione in-database, l'architettura MPP, ecc. hanno reso molto più semplice l'implementazione di modelli prescrittivi complessi che utilizzano dati strutturati e non strutturati. Gli strumenti utilizzati per eseguire i modelli prescrittivi sono per lo più gli stessi dei modelli predittivi, tuttavia richiedono capacità avanzate di infrastruttura dei dati. Un esempio comune di modelli prescrittivi nel settore bancario al dettaglio è l'allocazione ottimale del personale di vendita tra le varie filiali della banca per massimizzare l'acquisizione di nuovi clienti. Unendo le informazioni di geolocalizzazione con le prestazioni e il potenziale di ogni filiale, il modello può prescrivere l'allocazione ottimale del personale di vendita in tutte le filiali. Un approccio di modellazione prescrittiva più sofisticato viene utilizzato nei sistemi di tariffazione dei biglietti aerei per ottimizzare il prezzo dei biglietti aerei in base a fattori di viaggio, livelli di domanda, tempi di acquisto, ecc. per massimizzare i margini di profitto, ma allo stesso tempo non scoraggiare le vendite. Secondo una ricerca, circa il 10% delle organizzazioni utilizza attualmente una qualche forma di analisi prescrittiva, questa cifra è aumentata dal 3% nel 2014 e dovrebbe salire al 35% entro il 2025. Fattori come massicci investimenti nell'analisi predittiva, espansione delle capacità IoT che l'analisi prescrittiva complementare sta guidando questa crescita e ampliando la portata dei modelli prescrittivi. Conclusione Differenze tra Analisi descrittiva, predittiva e prescrittiva In questo articolo, abbiamo discusso 3 diverse versioni di analisi utilizzate oggi in tutti i settori. Questi sono gli elementi costitutivi del settore dell'analisi in tutto il mondo. È corretto affermare che tutti i modelli, gli sviluppi e le scoperte realizzati utilizzando i dati possono essere classificati in una di queste tre categorie. Questo articolo ha lo scopo di aiutare le persone che non conoscono l'analisi o intendono usare l'analisi per ottenere una visione più chiara e supportata da numeri. Condividi l'articolo :)

I modelli di deep learning possono essere classificati come autoencoder, macchine Boltzmann, reti neurali Puoi utilizzare modelli di deep learning nell'apprendimento automatico supervisionato o non supervisionato Ad esempio, se alleni un modello di deep learning, guadagni pesi allenati come output. regressione lineare, deep learning, clustering, classificazione e così via. Il tuo Primo Programma di Machine Learning con Python e Google Colab Il tuo primo Programma di Deep Learning

ML NumPy è una libreria fondamentale per qualsiasi progetto di Machine Learning. : Una Guida Completa Librerie Fondamentali per il Machine Learning Nella vasta scena del machine learning Librerie Emergenti e Innovazioni nel Machine Learning Il campo del machine learning è in continua evoluzione spiccano alcune tendenze promettenti, come: Libreria Descrizione Fastai Fastai è una libreria per il deep Hugging Face Hugging Face è una piattaforma per il deep learning e il NLP, nota per la sua vasta raccolta

La differenza tra Intelligenza Artificiale Forte e Debole Falsi miti sul machine learning Per queste Il tuo Primo Programma di Machine Learning con Python e Google Colab Il tuo primo Programma di Deep Learning l'algoritmo Perceptron da zero in Python Implementare le reti neurali ricorrenti (RNN) con Python e Keras Deep learnign e python : Object Recognition e Object Predict esempio Come salvare e caricare il tuo modello di deep learning

Il Machine Learning ha molte applicazioni nella sicurezza informatica, tra cui l' identificazione delle Pertanto, il software di sicurezza informatica basato su Machine Learning sta rapidamente diventando di Machine Learning nella sicurezza informatica che le aziende possono utilizzare in modo che siano Il tuo Primo Programma di Machine Learning con Python e Google Colab Il tuo primo Programma di Deep Learning di deep learning

Un sistema di deep learning chiamato RankBrain ha cambiato il modo in cui funziona il motore di ricerca

Trading algoritmico e apprendimento automatico Ogni volta che si parla di machine learning e intelligenza ) plt.show() Usa il trading algoritmico con l'apprendimento automatico in Python L'idea del machine learning Conclusione trading, Machine Learning e Python L'inaugurazione del trading algoritmico ha portato enormi

Il Deep Learning è una tecnica di Machine Learning che utilizza reti neurali profonde per analizzare Tecniche di Machine Learning e Deep Learning Per comprendere come funziona l'IA generativa, è importante familiarizzare con le tecniche di Machine Learning e Deep Learning. e deep learning per generare nuovi dati. Cos'è il deep learning?

Il mondo ha fatto molta strada nella tecnologia e nel marketing. Dai chatbot alle auto a guida autonoma, l'IA è entrata comodamente nelle nostre vite. Le applicazioni di Ai sono cresciute costantemente e convenientemente. Gli algoritmi stanno migliorando e velocizzando, rendendo i prodotti di IA più maturi ed efficienti. È indispensabile che l'IA sia una parte essenziale dei futuri prodotti digitali. Tuttavia, l'IA non ha solo trasformato il mondo tecnologico. Ha avuto anche un impatto significativo sul mondo del marketing. Allora, qual è il rapporto tra intelligenza artificiale e marketing digitale? In che modo l'IA sta trasformando il volto del marketing digitale? Troveremo le risposte a tutte queste domande mentre leggiamo più avanti. Scopriremo anche come implementare queste strategie di Intelligenza artificiale e marketing digitale nella tua attività e trarne vantaggio. Il rapporto tra Intelligenza artificiale e marketing digitale Anni prima, i professionisti del marketing esitavano a implementare strategie di intelligenza artificiale nelle loro iniziative di marketing. Quel pensiero è cambiato rapidamente poiché molti grandi marchi lo hanno adottato con successo. Marchi come Nike, Amazon e Alibaba hanno implementato con successo l'IA nelle loro strategie di marketing ottenendo ottimi risultati. Alibaba ha incorporato un negozio Fashion AI che aiuta a semplificare l'esperienza di vendita al dettaglio di moda per i clienti. Ciò ha consentito loro di aumentare il coinvolgimento e le vendite dei clienti. Amazon è stata una delle prime aziende a implementare il sistema di raccomandazione personalizzata. Ciò ha contribuito a offrire ai propri clienti un'esperienza personalizzata in base al comportamento di navigazione, agli acquisti passati, ecc. Usano anche l'intelligenza artificiale per supportare i prezzi dinamici (riduzione dei prezzi per generare più vendite quando necessario e aumento dei prezzi quando la domanda è elevata). Queste strategie li hanno aiutati a ottenere un vantaggio competitivo e ad aumentare le vendite dei prodotti. Questi casi di studio dimostrano che l'utilizzo dell'IA nel marketing digitale può essere vantaggioso e conveniente. Tuttavia, ci sono ancora alcuni esperti di marketing che sono rischiosi nell'utilizzare il marketing basato sull'intelligenza artificiale. Se sei uno di quelli, non dovresti perdere la prossima parte di questo blog. Vantaggi dell'Intelligenza Artificiale nel marketing digitale L'IA ha cambiato il volto del panorama digitale. L'analisi pratica dei dati e la capacità di adattarsi all'input dinamico consentono all'IA di identificare meglio le tendenze di marketing (rispetto agli esseri umani). Gli esperti di marketing e i marchi hanno risparmiato tempo e risorse grazie ai servizi di marketing digitale automatizzati. Ecco i principali vantaggi dell'IA nel marketing digitale, che ti daranno un vantaggio competitivo: Comprendere meglio il tuo pubblico: l' IA ti aiuta ad analizzare grandi quantità di dati e prevedere il comportamento/le decisioni di acquisto di ogni cliente. Ciò ti consente di implementare in modo efficace campagne di marketing dedicate a un pubblico di destinazione. Aiuta anche ad aumentare la soddisfazione e il coinvolgimento dei clienti. Inoltre, utilizzando strategie basate sull'intelligenza artificiale, gli esperti di marketing possono convertire facilmente il lead in una vendita nei momenti migliori per aumentare le conversioni. Maggiore produttività: utilizzando l'IA, puoi automatizzare facilmente diverse attività ripetitive. Ciò farà risparmiare molto tempo e risorse e aumenterà la produttività. Marketing efficace: l'intelligenza artificiale pone fine alle ipotesi durante il marketing. Puoi elaborare una strategia di marketing digitale più efficace utilizzando l'analisi dei dati e i servizi basati sull'intelligenza artificiale. Aumento del ROI: l'IA migliora il tuo processo decisionale e ti aiuta a creare contenuti con prestazioni migliori. Grazie ai suoi vantaggi nel comprendere meglio il pubblico, puoi guidare campagne di marketing digitale mirate, con conseguente ROI migliore. Esperienza utente migliorata: con l'IA nel marketing, fornisci al pubblico giusto i contenuti giusti. Ciò migliora la soddisfazione dei clienti quando trovano ciò di cui hanno bisogno. I rapporti hanno dimostrato che è più probabile che i consumatori siano spinti verso i marchi che implementano l'IA nelle loro strategie di marketing. Come implementare l'intelligenza artificiale e marketing digitale nella tua azienda? Sappiamo già come l'IA ha trasformato il volto del marketing e quanto è diventato vantaggioso. Ha cambiato il modo in cui interagiamo con il pubblico. L'intelligenza artificiale ha contribuito a indirizzare il traffico rilevante verso i contenuti giusti, generare più vendite e acquisire nuovi clienti. Ha inoltre consentito a marchi e marketer di gestire e fidelizzare nuovi clienti. Quindi, dobbiamo capire alcuni dei modi in cui lo facciamo. Ecco alcuni modi in cui puoi utilizzare l'IA per aumentare la tua attività: Chatbot: i chatbot sono uno dei principali esempi di tecnologia AI nel marketing. Aiutano a coinvolgere i clienti e a migliorare l'esperienza del cliente sul sito Web del tuo marchio. Ti aiutano a interagire con i tuoi clienti o potenziali lead ogni volta che si trovano sul tuo sito web. Risponde alla maggior parte delle domande comuni e le coinvolge in una conversazione simile a quella umana. Questo aiuta a generare lead e fornisce anche una buona esperienza utente. I chatbot vengono utilizzati anche per raccogliere feedback. Raccomandazioni sui prodotti personalizzati: questa è una delle tecnologie AI ampiamente utilizzate dai marchi di eCommerce/vendita al dettaglio. I consigli personalizzati sui prodotti aiutano tali marchi a servire meglio i propri clienti. Capiscono a cosa sono interessati i clienti in base alla loro cronologia di navigazione, cronologia degli acquisti, ecc. Questo aiuta nel marketing mirato e quindi aumenta le vendite. Aiuta anche a risparmiare un sacco di tempo e denaro. Costruttori di siti Web basati sull'intelligenza artificiale: l'IA è anche intervenuta per alleggerire il carico di costruzione del sito Web dalle spalle. Utilizzando l'IA, puoi creare facilmente siti Web in base ai dati degli utenti e al modo in cui interagiscono con i tuoi contenuti. Qui, l'unica cosa su cui devi lavorare è il contenuto. Il resto, dai blocchi di contenuto ai colori, viene fatto dal costruttore di siti Web basato sull'intelligenza artificiale. Alcuni degli esempi di tali costruttori di siti Web sono The Grid, FireDrop, Wix ADI, ecc. La maggior parte di questi costruttori di siti Web sono ancora nelle fasi iniziali e si prevede che diventeranno più sofisticati nel corso degli anni. Sono considerati il ​​futuro dell'IA nel marketing digitale. Esperienza di acquisto migliorata: l'intelligenza artificiale ha davvero cambiato il modo in cui acquistiamo. Molti brand hanno iniziato a sperimentare la realtà aumentata per migliorare la propria esperienza di acquisto. Questo aiuta il cliente ad avere una migliore esperienza visiva dei prodotti che sta offrendo. Ad esempio, i clienti possono controllare come sta loro un vestito semplicemente stando davanti alla fotocamera del telefono. Questo li aiuta a decidere quale prodotto è meglio per loro e li aiuta a fare un acquisto senza problemi. Futuro del marketing digitale con l'IA Marketing più personalizzato: con lo sviluppo dell'IA, gli algoritmi sono in grado di comprendere la psicologia delle persone e le loro esigenze dalla loro attività sui social media. E aprirà una nuova porta per fare marketing in modo più personalizzato. Le aziende investiranno solo in coloro che hanno bisogno dei loro prodotti. Assistenza clienti coinvolgente: l'assistenza clienti sarà più coinvolgente e personalizzata. I software per il servizio clienti come i chatbot possono gestire ogni sorta di cose, tra cui rispondere alle domande dei clienti, fornire informazioni su prodotti e servizi e anche aumentare le vendite. Semplici strumenti di ricerca e raccomandazione dei prodotti: la ricerca dei prodotti e la raccomandazione dei prodotti saranno più accurati. Con lo sviluppo dell'IA, l'uso della ricerca vocale è in aumento. Molte aziende hanno iniziato a sperimentare la realtà aumentata per migliorare l'esperienza di acquisto dei propri clienti. Ciò consente ai clienti di ottenere una migliore impressione visiva delle cose che stanno vendendo. Elaborazione e analisi avanzate dei dati: gli algoritmi di apprendimento automatico emergono qui perché gli esseri umani non sono in grado di elaborare grandi quantità di dati in modo efficiente. La tecnologia AI sta rapidamente raggiungendo il volume di dati creati, consentendoci di utilizzare meglio le informazioni che raccogliamo. Gli esperti di marketing hanno scoperto che l'IA è uno strumento utile. Ha trasformato il modo in cui viene fatto il marketing e ha davvero aiutato nel processo generale. Tuttavia, in termini di efficienza e praticità, ha ancora molta strada da fare. Conclusione sull' Intelligenza artificiale e Marketing digitale L'intelligenza artificiale è diventata uno strumento prezioso per i professionisti del marketing. Ha cambiato il modo in cui viene fatto il marketing e ha davvero aiutato a migliorare l'intero processo. Tuttavia, ha ancora molta strada da fare per diventare più efficiente e conveniente. Se ti capita di avere più approfondimenti in merito, per favore lasciali nella sezione commenti. Ci auguriamo che il blog ti sia piaciuto e ci piacerebbe avere tue notizie.

Forge Questo strumento di scrittura AI crea contenuti SEO originali in meno di un minuto utilizzando il deep learning.

utilizzato per alimentare piattaforme, eseguire analisi dei dati ed eseguire i loro modelli di machine learning In questa guida, step by step, partendo da zero vedremo come python e il machine learning possono e potranno Letture per approfondire Principali librerie Machine Learning, clicca qui Principali librerie Deep Learning Machine Learning per la SEO Machine Learning per la SEO Guida Completa Potenziare l'apprendimento automatico Il programma Deep Voice di Baidu. Le linee temporali curate da Twitter.

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 :)

Il machine learning è un'innovazione moderna che ha aiutato l'uomo a migliorare non solo molti processi Le applicazioni di machine learning forniscono risultati sulla base dell'esperienza passata. usi più comuni del machine learning. Fare previsioni è una delle migliori applicazioni di machine learning. del machine learning .

Prerequisiti : Come funziona il Deep Learning o Apprendimento Profondo ? learning. McKinsey stima che il deep learning e le reti neurali abbiano il potenziale per far girare un mercato Il tuo Primo Programma di Machine Learning con Python e Google Colab Il tuo primo Programma di Deep Learning di deep learning

Deep Learning : reti neurali profonde. Data Science : analisi dei dati per estrarre insight. I modelli linguistici di grandi dimensioni, come quelli basati su deep learning e NLP, richiedono competenze Padroneggia il Deep Learning e i modelli Transformer Diventare un prompt engineer implica spesso lavorare Questi modelli, basati su architetture avanzate di deep learning, sono progettati per comprendere e generare Comprendi i concetti fondamentali: Reti neurali : La base dei modelli di deep learning, composta da "