Python 推薦系統入門: 打造令人上癮的產品

以上這些正是科技公司利用『推薦系統』以及『數據分析』的能力，在不知不覺中改變人們的生活並賺取高額營收的最好例子！

那背後的原理是什麼呢？

Q1：原本只想打開 Facebook、Instagram、YouTube 一下子，一回神就發現花了一小時在這些社群媒體上，頓時心頭浮現出一股懊悔

→ 工業級的推薦系統透過分段式的模型，即時把使用者當下的瀏覽資訊結合歷史訊息，預測出使用者最感興趣的內容，並立即把該內容放在使用者的下一則貼文。讓使用者一打開 App 就開始進入上癮模式，大幅度增加平均用戶的使用時間。

Q2：本來只想在 PChome、Yahoo! 蝦皮上買一件產品，卻因為商品頁面周圍推薦的相關產品，就不小心讓你手滑多買了幾件產品，導致月底手頭拮据只能吃泡麵

→ 在電商頁面相關的商品由多種推薦系統組成，包含能找出與該商品相似的推薦系統，以及其他買了這個商品的人也對哪些商品有興趣的推薦系統，藉由這些推薦，使用者往往不自覺就多買了許多商品，替那些電商帶來許多額外營收。

Q3：前一天跟好友閒聊某個知名旅遊景點，今天打開 Facebook 後就被推薦該旅遊景點的廣告，心裡開始懷疑是不是手機被 Facebook 偷聽了

→ 除非是用 Facebook 的語音聊天功能，要不然 Facebook 是沒辦法存取手機麥克風的權限。最有可能的狀況是，推薦系統已經找出與你最相似的人在做什麼，而你的朋友也已經被標記為是與你相近的人，因此你的朋友在 Facebook 或是 Instagram 上有搜尋該旅遊景點的紀錄後，也會推薦該旅遊景點的廣告給你，即使你本人沒有做任何搜尋動作。

聽完以上這些問題是不是想多了解一些，別擔心～更進一步的解答與分析都將會在這門課一一為你解說。

課程特色

1. 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

2. 學習推薦系統是如何增加用戶時長以及廣告收入

3. 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

4. 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

課程單元規劃

這門課程將由淺入深帶你打造一個推薦系統，內容會分為三個部分：

一、推薦系統介紹

網路上的資訊量不斷增長，不論是商品、影片、文章、新聞都呈現爆炸性的成長，要如何在短時間內從大量資料中選出讓使用者感興趣的內容，決定了產品的成敗，絕大多數成功的網路產品背後都有一個非常厲害的推薦系統。本門課第一部分會先介紹推薦系統是什麼、能做什麼、以及要如何評估推薦系統的好壞。

二、推薦系統核心模型介紹

在整個推薦系統中，最核心的就屬於推薦系統裡面的模型了，第二部分會介紹推薦系統模型的四大種類，分別從傳統統計觀點的出發的協同過濾、矩陣分解，到現代推薦系統使用的機器學習以及深度學習方法，並會逐一帶同學實際寫程式實作出簡易推薦系統模型。

三、業界實際案例

介紹業界知名公司如何運用推薦系統增加用戶時長以及營收的案例，如 YouTube、 Instagram、Facebook。

業界實際案例介紹（以 YouTube 為例）

當你在 YouTube 隨便點一個一個影片之後，YouTube 推薦系統會在右方自動生成一系列的影片，默默地成為你的播放列表，讓你看完一部影片之後立馬接著看另一部你感興趣的影片！就是這個功能，讓你不知不覺就花費了大量的時間在 YouTube 上，也不知不覺看了很多廣告幫 YouTube 增加許多營收。

這個推薦功能，也大幅提升了 YouTube 使用者平均使用時間！根據 Broadbandsearch 統計，平均每天人們會花 40 分鐘在 YouTube 上。而其他網路巨頭 Facebook、nstagram 也透過非常類似的推薦系統讓使用者的每日使用時間分別維持在 58 跟 53 分鐘。

由於推薦系統能為產品帶來大量營收，以公司戰略層面來說往往也會開設大量相關職缺，像是機器學習工程師、推薦系統工程師、產品經理以及商業分析師等各種職缺，因此學會這門課的知識能夠大幅提升你在職場上的競爭力。

課程募資解鎖

募資解鎖規則說明

• 募資達成率累計至「課程募資 30 天結束的那一刻」，若達標才會進行下列課程影片解鎖哦！
• 「解鎖單元」將於開課時後一個月開始提供。

500% ➢ 更多業界案例分享 (暫定：Airbnb)

各大科技公司都會將推薦系統的成果放在他們的 Engineer Blog 或是以 Paper 的形式發表出來，因此我們都可以透過研讀這些資訊一探這些我們日常生活中常使用的服務，背後的推薦系統到底是長什麼樣子。由於一般人沒有足夠的背景資訊，直接閱讀這些原文的內容是有一定難度，因此我會挑選適合程度的內容，再將這些內容用更白話的方式傳遞給大眾。

1000% ➢ 機器學習工程師面試準備指南

隨著機器學習工程師的職缺越來越多，要怎麼掌握這些面試內容也越來越重要。一般來說正式的機器學習工程師面試有五關，前兩關是演算法相關的題目（也就是俗稱的 leetcode 題），接著是兩關系統設計關（包含一般後端系統設計以及機器學習系統設計），最後是行為面試關（聊聊你的團隊合作經驗），這門課會稍微說明這五關的準備方向，希望能幫助求職或轉換跑道的同學快速掌握面試內容。

1500% ➢ 進階推薦系統學習資源整理

這門課內容以入門的推薦系統知識為主，為了滿足有些同學還想深入學習下去，因此這部分會準備更多進階的學習資源以及方向，幫助同學快速學到更多專業的相關知識。

這門課適合誰？

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。

會如此設計課程，主要是推薦系統實作可以用很多程式語言來實行，可能某部分學員看完原理就用他自己擅長的語言去實作推薦系統了，而只是我們這門課的實作是使用 Python 而已，因為會直接帶入 Python 實際應用，所以才建議同學最少需要一點該程式語言基礎！

若目前正在苦惱自己沒有 Python 能力也想要來學習寫推薦系統，建議你可以參考我第一堂「Python 資料分析＆機器學習入門」循序漸進搭配學習，最後，如果你是下列族群中的一份子，那這門課就特別適合你。

當初我自己學習推薦系統時，發現目前市面上的學習資源是比較瑣碎的，沒辦法很系統性地學習，自己也踩了很多的坑，花費了不少時間，因此開設這門課希望幫助大家快速的系統化學習、了解推薦系統的全貌。

關於講師

葉家豪 James

畢業於台灣大學電機所電腦科學組，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。

過往課程

4.9星 好評課程 - Python 資料分析＆機器學習入門 講師

學員評價

課堂問題以及作業回覆

• 問題回答頻率：
  大部分的問題都會在 24 小時內回覆，若是特別困難的問題則最久會在三天內回覆。
• 批改作業的頻率：
  每兩週會統一檢視作業，並給予回饋及建議。
• 作業設計：
  會在推薦系統四大原理（協同過濾、矩陣分解、機器學習、深度學習）課程解說時出作業給同學， 原則上作業難度為簡單，照著提供的 Python 範例程式碼稍作修改或執行即可。
• 課程專屬社團：
  為了方便同學詢問問題以及討論作業，我之後會開設「Python 推薦系統入門: 打造令人上癮的產品」討論群組。在討論群組內講師與助教將會回答同學的課程問題以及提供各種推薦系統學習資源，並讓同學互相交流、討論作業內容，提升學習動機！預計會在開課前已公告形式，提供給大家入社團的資訊與方法。

三人同行補充說明

詳細的教學請詳閱《3 人同行方案購買與兌換課程方式》

STEP 0｜首先，你需要先找好另外 2 位學習好夥伴，並選出一位夥伴作為「購買人」
STEP 1｜購買人請於課程頁面點選「馬上預購」，進入「課程購買頁面」
STEP 2｜選擇付款資訊第二項「兌換 3 人同行 一人 NT$ 1,200」
STEP 3｜填寫「收取另外兩組課程兌換序號的 Email 信箱」（購買人信箱）
STEP 4｜選擇「付款方式」與「發票選項」並按下「送出」
STEP 5｜完成付款後，購買人即可進入「我的課程」頁面，於「我修的課」區塊，確認課程！
並請千萬記得另外 2 位好夥伴還在等待他們的課程兌換序號喲～ 快去信箱收信吧！
註：三人同行方案為特殊優惠方案，僅限募資期間，無法與 Hahow Point 或 Coupon 併用。

➢ 教學影片：影片1
➢ 購買三人同行優惠方案之後要怎麼兌換：影片2