We may earn an affiliate commission when you visit our partners.
Course image
Course image
edX logo

Les coulisses des systèmes de recommandation

Laurent CHARLIN, Fernando DIAZ, Michael EKSTRAND, and Dora JAMBOR

Dans ce cours, vous explorerez et apprendrez les meilleures méthodes et pratiques des systèmes de recommandation, qui sont une composante essentielle de l’écosystème digital. Ce cours a été développé par IVADO et HEC Montréal dans le cadre d’un atelier qui a eu lieu à Montréal. Vous serez accompagné.e tout au long du processus par sept experts internationaux du milieu universitaire et de l’industrie qui vous fourniront des exemples concrets.

Read more

Dans ce cours, vous explorerez et apprendrez les meilleures méthodes et pratiques des systèmes de recommandation, qui sont une composante essentielle de l’écosystème digital. Ce cours a été développé par IVADO et HEC Montréal dans le cadre d’un atelier qui a eu lieu à Montréal. Vous serez accompagné.e tout au long du processus par sept experts internationaux du milieu universitaire et de l’industrie qui vous fourniront des exemples concrets.

Les systèmes de recommandation sont des algorithmes qui trouvent des tendances dans le comportement des utilisateurs pour améliorer les expériences personnalisées et comprendre leur environnement. Ils sont omniprésents et sont le plus souvent utilisés pour recommander des items aux utilisateurs, notamment des livres et des films, mais aussi des amis potentiels, des recettes de cuisine ou même de la documentation pertinente pour de grands projets de logiciels, ou des articles intéressant les scientifiques.

Le contenu de ce MOOC est une introduction au domaine des systèmes de recommandation. Le programme comprend : l’apprentissage automatique pour les systèmes de recommandation, suivi d’une introduction aux méthodes d’évaluation; la modélisation avancée; les bandits contextuels; les méthodes de classement; l’équité et la discrimination dans les systèmes de recommandation.

Le cours s’adresse principalement aux professionnel.le.s du secteur et aux étudiant.e.s universitaires ayant des connaissances de base (première année de baccalauréat) en mathématiques et en programmation (idéalement Python). Les diplômé.e.s en sciences et en ingénierie (principalement celles et ceux qui ne sont pas encore familiers avec l’apprentissage automatique et les systèmes de recommandation) trouveront ce contenu instructif et intéressant. Le contenu de ce cours sera également d’une grande utilité pour toute personne qui s’intéresse à l’IA ou qui l’utilise, de quelque manière que ce soit.

Nous estimons qu’il faut 6 semaines pour compléter ce cours. Le cours est divisé en segments que vous pourrez visionner à votre propre rythme. Afin d’évaluer votre compréhension du contenu, des questionnaires complets seront proposés à la fin de chaque segment. Vous pourrez également pratiquer les algorithmes des systèmes de recommandation grâce à un tutoriel guidé par un expert. De plus, un deuxième module de pratique individuelle sera offert aux participant.e.s qui s’inscrivent au cours avec le certificat vérifié.

Nous vous souhaitons la bienvenue dans ce parcours d’apprentissage de Systèmes de recommandation : Derrière l’écran!

Ce cours vous est présenté par IVADO, HEC Montréal et l’Université de Montréal.

IVADO est un institut collaboratif québécois dans le domaine de l’intelligence numérique.

HEC Montréal est une université francophone de renommée internationale qui offre des formations et des programmes de recherche dans le domaine de la gestion.

L’Université de Montréal est l’une des principales universités de recherche au monde.

What's inside

Learning objectives

  • À la fin du mooc, les participant devraient être en mesure de :
  • Comprendre les bases des systèmes de recommandation, y compris leur terminologie ;
  • Identifier les types de problèmes et les méthodes des systèmes de recommandation pour les résoudre ;
  • Appliquer la méthodologie de réalisation d'un projet en systèmes de recommandation ;
  • Utiliser les algorithmes des systèmes de recommandation à travers des sessions pratiques et des tutoriels.

Syllabus

MODULE 1 Apprentissage automatique pour les systèmes de recommandation
Modèles basés sur le score
Aspects pratiques
MODULE TUTORIEL : Factorisation matricielle
Read more
MODULE 2 Évaluations pour les systèmes de recommandation
Évaluation hors ligne (par lots)
Évaluation en ligne (production)
MODULE 3 Modélisation avancée
Extension des modèles de base
Perspective de données manquantes
MODULE DE PRATIQUE PERSONNELLE : Auto-encodeurs
Ce module est évalué, il est donc réservé aux participants qui s’inscrivent au cours avec attestation
MODULE 4 Bandits contextuels
Introduction aux bandits
Tout mettre ensemble
MODULE 5 Apprentissage d'ordonnancement
Apprentissage d'ordonnancement avec les réseaux de neurones
Apprentissage d'ordonnancement avec les réseaux de neurones profonds
MODULE 6 Équité et discrimination dans les systèmes de recommandation
Équité algorithmique
Équité en recherche de l’information

Good to know

Know what's good
, what to watch for
, and possible dealbreakers
Cette formation se concentre sur les systèmes de recommandation, faisant d'elle une option précieuse pour les professionnels qui souhaitent améliorer leur compréhension dans ce domaine
Sa mise en contexte de l'industrie par le biais d'exemples concrets apportera aux professionnels des perspectives pratiques
Grâce à des experts du milieu universitaire et de l'industrie, la formation garantit un contenu à la fois théorique et pratique
Elle fournit une introduction complète, en commençant par les bases des systèmes de recommandation jusqu'aux méthodes avancées
La formation aborde également des aspects importants de l'équité et de la discrimination dans les systèmes de recommandation, ce qui en fait un choix éclairé pour ceux qui cherchent à explorer ces sujets
L'accent mis sur l'apprentissage pratique avec des tutoriels et des modules de pratique garantit l'application des connaissances

Save this course

Save Les coulisses des systèmes de recommandation to your list so you can find it easily later:
Save

Activities

Be better prepared before your course. Deepen your understanding during and after it. Supplement your coursework and achieve mastery of the topics covered in Les coulisses des systèmes de recommandation with these activities:
Organize Course Materials
Prepare for the course by gathering and organizing all necessary materials.
Show steps
  • Download and print lecture notes.
  • Gather textbooks and online resources.
  • Create a dedicated study space.
Review basic algebra skills
Helps with understanding the mathematical foundations of recommendation systems.
Browse courses on Linear Algebra
Show steps
  • Review basic operations like addition, subtraction, multiplication, and division.
  • Practice solving linear equations.
  • Review basic matrix operations.
Review ML and probability
Review the basics of machine learning and probability to ensure a solid foundation for this course.
Browse courses on Machine Learning Basics
Show steps
  • Revisit fundamental concepts of machine learning, such as supervised learning, unsupervised learning, and reinforcement learning.
  • Recall basic probability concepts, such as conditional probability, Bayes' theorem, and random variables.
17 other activities
Expand to see all activities and additional details
Show all 20 activities
Review Machine Learning Fundamentals
Strengthen your foundation in Machine Learning before starting the course.
Show steps
  • Revisit key concepts in Machine Learning.
  • Solve practice problems or take quizzes.
  • Refresh your understanding of supervised and unsupervised learning.
Participate in online discussion forums
Engage with peers in online discussion forums to exchange ideas, ask questions, and deepen understanding of course material.
Show steps
  • Identify relevant discussion forums or online communities related to recommender systems.
  • Actively participate in discussions, sharing your perspectives and responding to others.
Practice Matrix Factorization
Reinforce your understanding of Matrix Factorization through solving practice problems.
Show steps
  • Review the notes on Matrix Factorization.
  • Solve practice problems on your own.
  • Compare your answers with the solutions provided.
Participate in a study group or online discussion forum on recommendation systems
Provides opportunities to engage with peers, ask questions, and reinforce learning.
Browse courses on Recommendation Systems
Show steps
  • Find or join a study group or online discussion forum.
  • Participate in discussions and ask questions.
  • Share your knowledge and insights with others.
Complete Tensorflow tutorial
Follow a guided tutorial on Tensorflow to gain hands-on experience with a deep learning framework.
Browse courses on TensorFlow
Show steps
  • Set up a development environment with Python and Tensorflow.
  • Walk through the basics of Tensorflow, including tensors, operations, and models.
  • Build and train a simple neural network using Tensorflow.
Follow a tutorial on matrix factorization
Provides hands-on experience with a fundamental technique used in recommendation systems.
Browse courses on Matrix Factorization
Show steps
  • Find an online tutorial or resource on matrix factorization.
  • Follow the steps in the tutorial to implement matrix factorization.
  • Test your implementation on a small dataset.
Solve coding challenges
Engage in coding challenges to strengthen problem-solving skills and refine coding abilities.
Browse courses on Coding Challenges
Show steps
  • Identify reputable online platforms or resources for coding challenges.
  • Select challenges that align with the topics covered in this course.
  • Attempt to solve the challenges independently, referring to course materials when necessary.
TensorFlow Tutorial for Recommendation Systems
Deepen your knowledge of Recommendation Systems by following a guided tutorial.
Browse courses on TensorFlow
Show steps
  • Find a TensorFlow tutorial for Recommendation Systems.
  • Follow the tutorial step-by-step.
  • Explore the code and understand how it works.
  • Implement the model on a small dataset.
Discussion Group on Fairness in Recommendation Systems
Engage in discussions to explore the ethical implications and challenges of Recommendation Systems.
Browse courses on Recommendation Systems
Show steps
  • Join a discussion group or forum.
  • Participate in discussions on fairness in Recommendation Systems.
  • Share your perspectives and learn from others.
Participate in Kaggle competitions
Engage in Kaggle competitions to apply your skills, learn from others, and contribute to the broader data science community.
Browse courses on Kaggle Competitions
Show steps
  • Identify Kaggle competitions that align with your interests and skill level.
  • Form a team or work independently to develop solutions to the competition challenges.
  • Submit your solutions and track your progress on the leaderboard.
Contribute to Open Recommendation Systems Projects
Gain hands-on experience and contribute to the Recommendation Systems community.
Browse courses on Open Source
Show steps
  • Identify open source Recommendation Systems projects.
  • Choose a project to contribute to.
  • Understand the project's codebase and requirements.
  • Make bug fixes or implement new features.
Solve practice problems on recommendation algorithms
Reinforces understanding of the algorithms and techniques used in recommendation systems.
Show steps
  • Find practice problems online or in textbooks.
  • Attempt to solve the problems on your own.
  • Check your solutions against provided answers or consult with an expert.
Build a recommender system
Develop a recommender system project to apply the concepts learned in the course and showcase your skills.
Browse courses on Recommender Systems
Show steps
  • Define the problem statement and gather relevant data.
  • Choose an appropriate machine learning algorithm and train a model.
  • Evaluate the performance of your model and make necessary adjustments.
  • Deploy your recommender system and monitor its performance.
Implement a Recommendation System for a Movie Website
Apply your knowledge by building a real-world Recommendation System.
Browse courses on Recommendation Systems
Show steps
  • Choose a movie dataset.
  • Select and implement a suitable recommendation algorithm.
  • Build a web interface to interact with your system.
  • Evaluate your system's performance.
Contribute to open-source recommender system projects
Gain practical experience and contribute to the open-source community by participating in recommender system projects.
Browse courses on Open Source Projects
Show steps
  • Explore existing open-source recommender system projects on platforms like GitHub.
  • Identify a project that aligns with your interests and skills.
  • Fork the project and make contributions, such as bug fixes, feature enhancements, or documentation updates.
Write a blog post or article on a topic related to recommendation systems
Encourages critical thinking and deepens understanding by requiring students to explain concepts in their own words.
Browse courses on Recommendation Systems
Show steps
  • Choose a specific topic related to recommendation systems.
  • Research the topic thoroughly.
  • Write a well-structured and informative blog post or article.
  • Publish your content online.
Build a simple recommendation system using open-source libraries
Provides practical experience in implementing and evaluating recommendation systems.
Browse courses on Recommendation Systems
Show steps
  • Choose a dataset and import it into your preferred programming environment.
  • Select and implement a recommendation algorithm using open-source libraries.
  • Evaluate the performance of your recommendation system.
  • Refine and improve your system based on the evaluation results.

Career center

Learners who complete Les coulisses des systèmes de recommandation will develop knowledge and skills that may be useful to these careers:

Reading list

We haven't picked any books for this reading list yet.

Share

Help others find this course page by sharing it with your friends and followers:

Similar courses

Here are nine courses similar to Les coulisses des systèmes de recommandation.
Fondamentaux de la science des données
Most relevant
L'essentiel de l'apprentissage profond
Most relevant
Données au service de la santé de la population
Most relevant
Biais et discrimination en IA
Most relevant
Planification et Design de Systèmes et Technologies...
Most relevant
Création de designs et de prototypes haute fidélité dans...
Most relevant
Introduction à l'analyse de données à l'aide d'Excel
Most relevant
Modèle d'estimation de l'écart de TVA RA-GAP
Most relevant
Economie du sol et de l'immobilier II
Most relevant
Our mission

OpenCourser helps millions of learners each year. People visit us to learn workspace skills, ace their exams, and nurture their curiosity.

Our extensive catalog contains over 50,000 courses and twice as many books. Browse by search, by topic, or even by career interests. We'll match you to the right resources quickly.

Find this site helpful? Tell a friend about us.

Affiliate disclosure

We're supported by our community of learners. When you purchase or subscribe to courses and programs or purchase books, we may earn a commission from our partners.

Your purchases help us maintain our catalog and keep our servers humming without ads.

Thank you for supporting OpenCourser.

© 2016 - 2024 OpenCourser