data-course-sample

• data-course-sample
  • 計畫來源
  • 專案資料來源
  • 專案成果
  • 心得

計畫來源

• 資料人才種子計畫：https://program.alphacamp.co/data-ai
  • 六週攻略一個推薦系統
  • date：2021/12/20 - 2022/01/30
• 招募 50 名種子挑戰者
  • 具有一定 Python/工具基礎，通過技術評估
  • 每週投入 15-20 小時實作、積極參與班級討論
  • 連續六週持續並完成學習，全額免費
  • Top 10% 表現優異者，獲得業界導師推薦與 3 個月 Mentor Coaching

專案資料來源

• Amazon Review Data (2018)
  • 這次的實作限縮「美妝（All Beauty）」類別的商品資料，包含兩種資料集
    • All_Beauty.csv：提供使用者購買商品的紀錄
    • meta_All_Beauty.json.gz：提供商品的基本資訊
• iCook Data：經過整理過的資料

專案成果

• wk01：
  • file：wk01_sample
  • 採用 rule-based 的推薦系統，分數：0.13390
• wk02：
  • file：wk02_sample-content-based
  • 採用 content-based 的推薦系統，分數：0.00339
  • 採用 content-based + rule-based 的推薦系統，分數：0.13729
• wk03：
  • file：wk03_sample-collaborative-filtering
  • 採用 Collaborative filtering 的推薦系統，分數：0.00169
  • 採用 Collaborative filtering + rule-based 的推薦系統，分數：0.15932
• wk04/wk05：
  • iCook 專案，採用 rule-based
  • wk04 分數：0.00608
  • wk05 分數：0.00842

心得

• 一開始看到課程的時候就有點心動想要參加，畢竟是自己還算熟悉的 Python，好不容易通過技術評估後就趕緊報名，沒想到後來卻變成保證金制度，然後名額限縮至 50 名，聽到報名人數有 800 多人，真是嚇到我了，後來有幸能夠被選上，真的是超乎預料之外
• 課程上的安排很扎實，學習過程讓我們體驗到「推薦系統」的原理與相關作法，一開始對推薦系統不太熟悉，又要完成每週的進度，像一開始的 rule-based 真是差點就過不了關，會有一些想法但卻不知道怎麼靠程式(pandas)實作，因此如果想要參與，對於 pandas 在對各種資料集的組合或篩選的語法建議要多熟悉，才不會手忙腳亂，最後用了一個比較簡單的做法來實作，意外的效果還不差，後來在助教分享時也了解這算是意料之中，也是後來 Richard(iCook 技術長) 提到的「簡單卻有用」，但是長期對使用者來說，信賴感就比較難建立，因此才會針對使用者做不同的推薦
• 參與的同學都超強大的，有各種不同領域的，之前也對電商跟推薦系統不了解，因此從同學分享的作業成果可以學習到很多想法與概念，也很佩服各位同學可以在這麼短的時間實做出那麼多種想法，各種 EDA(Exploratory data analysis) 都超強，觀察各個同學的做法可以讓自己有更多的想法與了解程式的用法，每看一個都很有收穫，可惜時間有限(每週日的繳交期限)，沒辦法把每個同學的做法都詳細看過，後續要再安排時間多加學習
• 每週的工作坊算是比較特別的體驗，初期的案例討論、學習成果回顧，尤其後期 Richard(iCook 技術長) 不藏私的分享，讓我收穫很多，讓我們確實了解一個平台在經營時遇到的問題與做法，而且實際遇到的問題其實是需要各種不同的方法來實踐，最終才成為一個比較完整解決方案的
• 工作坊中其實還有一個特別的點是同學的分享(Show & Tell)，在前一天通知被選上的同學，然後在隔天的工作坊分享，幾乎每位都讓人佩服，竟然能在這麼短時間做投影片並整理概念分享，想到如果換成自己，肯定手忙腳亂
• 在這幾週的學習過程中可以看到 AC 團隊的投入，不管是教材內容與工作坊的準備，就連課程規劃也有一直在調整修正，可以感受到那種想讓大家有更好的學習體驗的心意，既然是 EP1 也代表還有後續，希望有機會能繼續參加