Рекомендательные системы и Глубокое обучение на Python

Вам нужен точный алгоритм рекомендаций для пользователей — здесь разбирают путь от простых моделей на чистом Numpy до сложных нейросетей в Keras и распределенных вычислений на Spark. Вы научитесь строить системы, которые предсказывают предпочтения, используя матричную факторизацию, глубокие нейронные сети, остаточные сети (ResNet), автоэнкодеры и ограниченные машины Больцмана. Особое внимание уделено работе с большими данными: показано, как запускать матричную факторизацию на кластере AWS EC2 с использованием Spark. Материал подойдет тем, кто уже знает основы Python, линейной алгебры и теории вероятностей, и хочет углубиться в архитектуру рекомендательных движков для DS-задач.