商品已停售
線上課程|Python 推薦系統入門: 打造令人上癮的產品
1. 透過LINE購物進入蝦皮後禁止再透過蝦皮直播下單,避免訂單認列異常
2. 請務必「清空」蝦皮購物車,再透過LINE購物連結至蝦皮商店進行購買 ;先把商品加入購物車,再從LINE購物連結至蝦皮結帳,將無法獲得點數回饋。
3. 請避免連續下單,若您完成交易後,想下第二張訂單,請重新從LINE購物連結至蝦皮商店進行購買
4. 電子票券及繳費服務類別:回饋0%。
5. 請留意,蝦皮超市內的商品(蝦皮超市、蝦皮直送美妝、蝦皮免運直送)不隸屬於蝦皮商城,點數回饋請依照「蝦皮超市」商店頁為主。
6. 蝦皮商城之訂單適用於部分點數紅包,規範請依該紅包頁說明為主。
7. 點數回饋將依照蝦皮提供扣除折價券、運費與蝦幣後之最終金額進行計算。
8. 同一商品品項(即便不同尺寸規格),皆會計入同一筆返點上限進行計算
9. 用戶需於同一瀏覽器進行交易(若自動跳轉 APP,請在 APP交易)。
10. 若使用不同物流或付款方式,將拆分成不同筆訂單編號發送通知。
11. 若使用折價券折抵,可能會有攤提折抵導致訂單金額些微落差
12. 蝦皮會將LINE的導購跳轉紀錄與蝦皮的會員ID進行綁定,若後續七天內未透過其他媒體來源導入蝦皮官網,則七天內於該蝦皮帳號下訂的首筆訂單會被蝦皮認列為該LINE用戶導購跳轉時所成立之訂單。
13. 若同一用戶使用一個以上蝦皮帳號透過LINE購物進行導購,將可能導致無法收到導購通知,亦可能無法收到點數,再請留意。
[注意事項]
1.如導購途中用戶由網頁版(電腦版/手機版網頁)切換為 App 會造成追蹤中斷而無法進行 LINE Points 回饋
2.若購買過程中關閉蝦皮APP,則需重新透過LINE購物前往蝦皮商城,否則無法進行LINE POINTS 回饋。 / 3.如用戶先前往蝦皮商城將商品加入購物車,後續透過LINE購物前往至蝦皮商城將購物車結清,此方案將不列入 LINE Points 回饋
4.若因系統異常無法追蹤訂單,致使消費者無接收到點數回饋,蝦皮保有更改條款與法律追訴之權利
5. LINE購物商品價格若與蝦皮賣場實際價格有異,以蝦皮賣場價格為準商品描述
Hahow 好學校|線上課程📖
此商品屬「例外商品類別」,不適用七天鑑賞期法規非以有形媒介提供之數位內容或一經提供即為完成之線上服務,經消費者事先同意始提供
📍課程序號發送及兌換詳情請見賣場介紹
【 課程名稱 】:Python 推薦系統入門: 打造令人上癮的產品
【 課程簡介 】
本門課為 Python 推薦系統入門課程,機器學習、深度學習已經運用在各領域如影像辨識、文字/語音處理等領域並取得很大的成就。 推薦系統也是其中一個成長非常快速的領域,目前市面上的中文學習資源並不多,當初我自己在學習時也遇到很多坑,因此希望這門課能幫助許多的人快速理解推薦系統的全貌。
【 課程大綱 】
章節一:推薦系統目前在產業的情況
單元 1 - 推薦系統簡介(上)- 業界應用&商業成效
單元 2 - 推薦系統簡介(下)- 實際應用&推薦系統架構
單元 3 - 推薦系統職缺相關資訊
單元 4 - 推薦系統相關學習資源
章節二:如何評估推薦系統的優劣
單元 1 - 一般機器學習線下指標
單元 2 - 線下指標:MRR, MAP, NDCG
單元 3 - 線上指標: 點擊率/停留時間/…
單元 4 - 線下指標實作
章節三:經典推薦系統方法
單元 1 - MovieLens 資料集介紹
單元 2 - 協同過濾
單元 3 - 矩陣分解
單元 4 - 協同過濾 - 實作
單元 5 - 矩陣分解-實作
章節四:如何將機器學習應用在推薦系統中
單元 1 - 介紹 Logistic Regression 方法
單元 2 - 決策樹概念
單元 3 - 介紹隨機森林、梯度提升決策樹
單元 4 - Logistic Regression 實作
單元 5 - 決策樹實作
單元 6 - GBDT+LR 實作
章節五:如何將深度學習應用在推薦系統中
單元 1 - 神經協同過濾-如何運用類神經網路在推薦系統中
單元 2 - 神經協同過濾實作
章節六:推薦系統業界案例
單元 1 - Instagram 探索式推薦系統 - 著重多樣性
單元 2 - YouTube 推薦系統 - 著重觀看時長
【 老師介紹 】:James
James 曾擔任台積電資料科學家,協助使用生產數據提升 iPhone 8 10 奈米晶片製造的良率以及在 Yahoo! 擔任軟體工程師,協助開發熱門關鍵字以及 DSP 廣告平台功能。目前在 Dcard 擔任機器學習工程師,負責廣告推薦系統。
【 需要準備的工具/軟體 】
- 對於學習推薦系統熱誠的心,以及幫助你做筆記的工具
- 在作業部份則需準備一台適合寫程式的電腦(Mac、Windows or Linux)
- 建議電腦記憶體為 8G 以上
【 需要具備的背景知識 】
任何對推薦系統有興趣的朋友都可以參與這門課,這門課在「原理解說」的部分會設計成讓非程式背景的同學也可以吸收,但在「實作以及作業」的部分因為會使用 Python 直接實作,建議需要有基礎程式能力比較能夠理解吸收。
【 上完課後,學生可以學到並做出的東西 】
- 了解什麼是『推薦系統』,能夠解決什麼樣的問題以及帶來哪些商業價值
- 學習推薦系統是如何增加用戶時長以及廣告收入
- 從頭學習推薦系統的 4 大方法(協同過濾、矩陣分解、機器學習、深度學習)以及如何實作
- 實際了解各大科技公司(Facebook、YouTube、Instagram)背後的推薦系統是如何運作的
【 哪些人適合這堂課?】
學生或一般上班族
- 想從事機器學習相關工作,卻不知道該如何開始學習推薦系統
- 想要轉行做推薦系統領域的工程師
- 有相關程式背景但想在短時間內系統性學習推薦系統
- 想要將推薦系統導入公司的產品經理
- 想知道如何利用推薦系統提升產品的用戶時長以及營收