))
Recommender-Systeme unter der Haube – mit Sebastian Klatt (METRO.digital)
Manage episode 401066509 series 3545675
Inhalt bereitgestellt von codecentric AG and Codecentric AG. Alle Podcast-Inhalte, einschließlich Episoden, Grafiken und Podcast-Beschreibungen, werden direkt von codecentric AG and Codecentric AG oder seinem Podcast-Plattformpartner hochgeladen und bereitgestellt. Wenn Sie glauben, dass jemand Ihr urheberrechtlich geschütztes Werk ohne Ihre Erlaubnis nutzt, können Sie dem hier beschriebenen Verfahren folgen https://de.player.fm/legal.
„Für dich empfohlen“: Wundert ihr euch auch manchmal, wie passend die Musikvorschläge des Streamingdienstes eures Vertrauens sind?
Sebastian Klatt von der METRO.digital zeigt in dieser Folge, wie so genannte „Recommender-Systeme“ unter der Haube aussehen: Welche Kriterien spielen dabei eine Rolle? Wie geht man vor, wenn man noch gar nichts über den User weiß (Stichwort: Coldstart-Problem)? Was sind erste Schritte zum eigenen Recommender-System? Und wie hole ich mir am besten Feedback von meinen Nutzern?
Fest steht: Empfehlungsmechanismen sind in der heutigen App- und E-Commerce-Welt ein Überlebenskriterium. Und: „Recommender-Systeme sind nur so gut, wie sie von Usern angenommen werden.“ (Sebastian).
Kapitel:
(00:00:00) Vorstellung Sebastian Klatt
(00:01:07) Einführung in Recommender-Systeme. Collaborative Filtering, Content-Based Filtering
(00:05:00) Coldstart-Problem und hybrider Ansatz
(00:12:30) Architekturen & Kontext
(00:13:55) Erste Schritte zum eigenen Recommender-System
(00:17:45) TensorFlow Recommenders
(00:18:31) Explizites & implizites Feedback
(00:20:44) Wichtige Aspekte bei der Erstellung von Recommender-Systemen
(00:26:20) Learnings
72 Episoden
Teilen
