سیستم های پیشنهاد دهنده یا توصیه گر
Open in Telegram
این گروه تخصصی به منظور تبادل نظر در موضوع سیستم های پیشنهاد دهنده یا توصیه گر و زمینه های مرتبط با آن، مخصوصا علوم داده و پرسش و پاسخ و اطلاع رسانی از اخبار دانشگاهی و مقالات مرتبط ایجاد شده است. فعالیت گروه صرفا جنبه علمی پژوهشی دارد.
Show moreIranThe category is not specified
1 113
Subscribers
No data24 hours
No data7 days
No data30 days
Posts Archive
توی هر دسته از الگوریتمها یه سری الگوریتمها سرآمدتر هستن (مستقل از اینکه هرکدوم برای کاربرد خاصی بهتر عمل خواهند کرد)
شما سیستم توصیه گر (نه خوب) از نوع content سراغ دارید؟بفرمایید
دانشگاه شيراز(معاونت آموزشي / اطلاع رساني كشوري "روش و مديريت تحقيق " ويژه گروه هنر و معماري، علوم و مهندسي به سطح كشور مردادماه١٤٠٢)
سلام دوستان وقت بخیر.
توی حوزه ریکامندرهای colaborative و content-based احیانا دیتاست یا دیتاست هایی رو می شناسین که خیلی هم معروف نباشند و پیاده سازی های کمتری از اونها وجود داشته باشه؟
Williams, I., & Yuan, X. (2019). Recommender Systems for Software Requirements Engineering: Current Research & Challenges. 2019 SoutheastCon. doi:10.1109/SoutheastCon42311.2019.9020667
کسی اینجا میتونه سیستم پیشنهاد دهنده فیلم برای سایت وردپرس انجام بده ؟
یکی از روش های ممکن دوست عزیز استفاده از رمز ارز و پرداخت هزینه با اون روش هست که رمزارز USDT معادل دلار هست در رمزارز ها که کاملا روشی برای تحریم های موجود هست اما مشکلی که داره چون کار کلاه برداری زیاد هست داخلش مقداری ریسک پذیر هست
کتاب یادگیری عمیق: اصول، مفاهیم و رویکردها
تالیف و گردآوری: میلاد وزان
نسخه الکترونیک کتاب توسط مولف به صورت رایگان منتشر شده است.
فهرست فصلهای کتاب:
فصل اول: مقدمه ای بر یادگیری ماشین و یادگیری عمیق
فصل دوم: یادگیری بانظارت عمیق (شبکه های عصبی پیشخور، بازگشتی و همگشتی)
فصل سوم: یادگیری بازنمایی بدون نظارت عمیق (خودرمزنگارها و مدلهای مولد)
فصل چهارم: یادگیری تقویتی عمیق
فصل پنجم: یادگیری انتقالی عمیق
فصل ششم: یادگیری عمیق هندسی (یادگیری بازنمایی گراف)
@Data➕Science
سلام و عرض ادب.
برای پایان نامه در خصوص سیستم های فیلترینگ مشارکتی و تحلیل احساس نظرات اگر کسی کار کرده پی وی پیام بده ممنونم
سلام دوستان وقت بخیر.
جمعکردن داده از روی سایتهای مختلف، تحت چه حالتی ارزش تبدیل شدن به مقاله رو داره؟
Repost from RecommenderSystems
2023 How Can Recommender Systems Benefit from Large Language Models: A Survey
We highlight key challenges in adapting LLM to RS from three aspects, i.e., efficiency, effectiveness, and ethics. Finally, we summarize the survey and discuss the future prospects. We also actively maintain a GitHub repository for papers and other related resources in this rising direction
arXiv:2306.05817v4 28 Jun 2023
#LargeLanguageModels #Large_Language_Models #LargeLanguageModel #Large_Language_Model #LLM #NLP #Survey
@Recommender_Systems
