Music Recommender System Using Pyspark

4.5
estrellas

14 calificaciones

ofrecido por
En este proyecto guiado, tú:

Learn how to setup the google colab for distributed data processing

Learn how aggregate a pyspark dataframe to have the data needed for our machine learning model

Learn how to use StringIndexer to convert a String (categorical) column into Unique Integral column

Learn how to create ALS model for Recommender System

1 hour
Intermedio
No se necesita descarga
Video de pantalla dividida
Inglés (English)
Solo escritorio

Nowadays, recommender systems are everywhere. for example, Amazon uses recommender systems to suggest some products that you might be interested in based on the products you've bought earlier. Or Spotify will suggest new tracks based on the songs you use to listen to every day. Most of these recommender systems use some algorithms which are based on Matrix factorization such as NMF( NON NEGATIVE MATRIX FACTORIZATION) or ALS (Alternating Least Square). So in this Project, we are going to use ALS Algorithm to create a Music Recommender system to suggest new tracks to different users based upon the songs they've been listening to. As a very important prerequisite of this course, I suggest you study a little bit about ALS Algorithm because in this course we will not cover any theoretical concepts. Note: This project works best for learners who are based in the North America region. We’re currently working on providing the same experience in other regions.

Habilidades que desarrollarás

  • Programming Model

  • Algorithms

  • Algorithm Training

  • PySpark

Aprende paso a paso

En un video que se reproduce en una pantalla dividida con tu área de trabajo, tu instructor te guiará en cada paso:

  1. Prepare the Google Colab for distributed data processing

  2. Mounting our Google Drive into Google Colab environment

  3. Importing csv file of our Dataset (4 Gb) into pySpark dataframe

  4. Dropping some useless columns and nan Values in our dataframe

  5. Performing an Aggregation to prepare the data

  6. Learn how to use StringIndexer to convert a String (categorical) column into Unique Integral column

  7. Creating ALS model for Recommender System

Cómo funcionan los proyectos guiados

Tu espacio de trabajo es un escritorio virtual directamente en tu navegador, no requiere descarga.

En un video de pantalla dividida, tu instructor te guía paso a paso

Reseñas

Principales reseñas sobre MUSIC RECOMMENDER SYSTEM USING PYSPARK

Ver todas las reseñas

Preguntas Frecuentes

Al comprar un proyecto guiado, obtendrás todo lo que necesitas para completarlo, incluido el acceso a un espacio de trabajo de escritorio en la nube a través de tu navegador web que contiene los archivos y el software que necesitas para comenzar, además de instrucciones de video paso a paso de un experto en la materia.

Dado que tu espacio de trabajo contiene un escritorio en la nube del tamaño de una computadora portátil o computadora de escritorio, los proyectos guiados no están disponibles en tu dispositivo móvil.

Los instructores de proyectos guiados son expertos en la materia que tienen experiencia en habilidades, herramientas o dominios de su proyecto y les apasiona compartir sus conocimientos para impactar a millones de estudiantes en todo el mundo.

Puedes descargar y conservar cualquiera de tus archivos creados del proyecto guiado. Para hacerlo, puedes usar la función 'Explorador de archivos' mientras accedes a tu escritorio en la nube.

Los proyectos guiados no son elegibles para reembolsos. Ver nuestra política de reembolso completo.

La ayuda financiera no está disponible para proyectos guiados.

El acceso como oyente no está disponible para los proyectos guiados.

En la parte superior de la página, puedes presionar en el nivel de experiencia de este proyecto guiado para ver los requisitos de conocimientos previos. En cada nivel del proyecto guiado, tu instructor te orientará paso a paso.

Sí, todo lo que necesitas para completar tu proyecto guiado estará disponible en un escritorio en la nube que estará disponible en tu navegador.

Aprenderás completando tareas en un entorno de pantalla dividida directamente en tu navegador. En el lado izquierdo de la pantalla, completarás la tarea en tu espacio de trabajo. En el lado derecho de la pantalla, verás a un instructor guiarte a través del proyecto, paso a paso.