Recommender System หรือ Recommendation System คือระบบที่สร้างขึ้นมาเพื่อพยากรณ์ความสนใจหรือความชอบของผู้ใช้งาน และนำเสนอตัวเลือกต่างๆ ให้ผ้ใช้งานได้เลือกสรร
ทุกวันนี้เราปฏิเสธไม่ได้ว่าคุณอยู่กับระบบเหล่านี้อยู่ทุกวัน เพราะในเว็บไซต์ขายสินค้าอย่าง Shopee หรือ Lazada หรือแม้กระทั่ง Youtube ล้วนแต่ใช้ระบบนี้เพื่อให้คุณเห็นสิ่งที่ต้องใจมากขึ้นบนแพลตฟอร์ม
นั่นก็เพื่อคุณจะได้ซื้อสินค้าเพิ่ม หรือว่าเพิ่มเวลาการใช้งานแพลตฟอร์ม แล้วนำไปสู่การสร้างรายได้และกำไรที่สูงขึ้น
ดังนั้นในมุมมองของผู้ประกอบการ e-commerce แล้ว Recommender System เป็นสิ่งที่ขาดไม่ได้เลยก็ว่าได้ ธุรกิจใหญ่ๆ จึงต้องการนักพัฒนาเข้ามาพัฒนาระบบคุณภาพสูงเพื่อแสดงผลให้ดีที่สุด
สำหรับนักพัฒนาแล้ว ความเข้าใจในการสร้าง Recommender System เป็นตัวเลือกที่น่าสนใจไม่น้อย เพราะจะช่วยเพิ่มความน่าสนใจให้กับ profile ของคุณในการสมัครงานหรือว่ารับงาน freelance ต่างๆ นั่นเองครับ
ในโพสนี้ผมจะมาแนะนำคอร์สสอนการสร้าง Recommender System ที่น่าสนใจ จะมีคอร์สไหนบ้าง ไปดูกันเลยดีกว่าครับ
ข้อควรทราบก่อนสมัคร
ในการเรียนคอร์สที่ 1-2 คุณควรจะต้องมีความรู้ใน 3 สิ่งนี้
- Python และ NumPy
- Machine Learning รวมไปถึง Keras และ Tensorflow
- คณิตศาสตร์อย่างเช่น Calculus, Linear Algebra และ Probability (ไม่ได้ต้องเก่งมาก แต่ขอให้เข้าใจพื้นฐานครับ)
สำหรับคอร์สที่ 3 นั้นคุณไม่จำเป็นต้องมีความรู้ใดๆ มาก่อนนอกจากคณิตศาสตร์ระดับมัธยมต้นครับ
คอร์สสอนสร้าง Recommender System ที่ผมจะแนะนำทั้งหมดอยู่ใน Udemy และ Coursera ดังนั้นถ้าคุณไม่เคยทราบเงื่อนไขและข้อดีข้อเสียต่างๆ มาก่อน ผมแนะนำให้อ่านที่บทความแพลตฟอร์มออนไลน์ของผมครับ
สำหรับคอร์สใน Udemy ผมแนะนำให้ซื้อในช่วงลดราคาเท่านั้น เพราะคุณจะได้คอร์สดีๆ ในราคาเพียง 300-500 บาทเท่านั้นเอง ถ้าสมมติว่าคอร์สไม่ลดราคา (เหมือนอย่างรูปในคอร์สนี้) ผมแนะนำให้สมัครแจ้งเตือนกับ Victory Tale หรือว่ารอ 2-5 วันครับ
1. Recommender Systems and Deep Learning in Python
คอร์สสอนสร้าง Recommender Systems ใน Udemy ที่จัดทำโดย Lazy Programmer ทีมผู้เชี่ยวชาญทางด้าน data science และ machine learning ที่มีประสบการณ์อย่างยาวนานนับสิบปีครับ
วิธ๊การสอนในคอร์สนี้จะผสมผสานกันไประหว่างภาคปฏิบัติ และภาคทฤษฎี โดยคุณจะได้ทั้งลองทำจริง และเข้าใจคอนเซปต์ต่างๆ ครับ
สิ่งที่คุณจะได้เรียนในคอร์สนี้ได้แก่
- นำเสนอความรู้เบื้องต้นของ Recommendation Systems นั่นก็คือคอนเซปต์พื้นฐานต่างๆ อย่างเช่น Bayesian Approach, Supervised Learning ฯลฯ
- Collaborative Filtering (User-User และ Item-Item)
- เจาะลึก Matrix Factorization และ Deep Learning
- Deep Neural Network, Residual Learning และ Autoencoders
- อธิบายการ Training ตัว RBMs (Restricted Boltzmann Machine) สำหรับ Collaborative Filtering อย่างละเอียด
- การทำ Matrix Factorization สำหรับ Big Data โดยใช้ Spark Cluster บน Amazon EC2
- ทบทวนความรู้ Python, Machine Learning และ Keras สำหรับที่จำเป็นต้องใช้ในคอร์ส
รวมแล้วคุณจะได้เรียนเนื้อหาต่างๆ ในคอร์สกวา 12 ชั่วโมงด้วยกัน ซึ่งจะครอบคลุมเทคนิคการสร้าง Recommender System คุณภาพสูงอย่างครบถ้วนเลยครับ
ในเรื่องการบรรยาย สำเนียงของครูผู้สอนชัดเจนดี ผมเชื่อว่าคุณไม่น่าจะมีปัญหาในส่วนนี้ครับ
ตัวคอร์สได้คะแนนไป 4.6/5.0 จากนักเรียนเกือบ 13,000 คน
2. Building Recommender Systems with Machine Learning and AI
คอร์สนี้เป็นอีกคอร์สหนึ่งใน Udemy ที่สอนแบบเจาะลึกการสร้าง Recommender Systems ตัวคอร์สสอนโดย Frank Kane ผู้เชี่ยวชาญทางด้าน Machine Learning และ Distributed Computing โดยเขาครอบครองสิทธิบัตรต่างๆ ถึง 17 ใบด้วยกันครับ
รูปแบบการสอนจะเน้นไปที่ภาคปฏิบัติล้วนๆ โดยคุณจะได้ลองสร้าง framework และ neural network ของตัวเองเพื่อใช้สร้าง recommendation engine ที่มีประสิทธิภาพครับ
ภายในคอร์สจะประกอบด้วยเนื้อหาต่อไปนี้
- ทบทวน Python และแนะนำคอนเซปต์เบื้องต้นของ Recommender System
- สอนวิธีการประเมินประสิทธิภาพของ Recommender System โดยใช้ Accuracy Metrics อย่าง RMSE และ MAE รวมไปถึงวิธีอย่าง train/test, K-fold cross-validation และ Leave-one-out cross-validation
- การสร้าง Recommender Engine Framework และ Content-based Filtering
- Collaborative Filtering แบบ Neighborhood-based (User/Item)
- Matrix Factorization Methods
- ทบทวน Deep Learning (ความยาว 3 ชั่วโมง เหมาะสำหรับใครที่ยังไม่เคยเรียนมาก่อนเลย แต่ถ้าเข้าใจอยู่แล้วสามารถข้ามได้เลย)
- การใช้ Deep Learning ในการสร้าง Recommender System (ใช้ Apache Spark และ AWS Sagemaker)
- การ Scaling ระบบของคุณ และรับทราบถึงปัญหาที่อาจจะเกิดขึ้นได้ อย่างเช่น Cold Start Problem
- Case Studies ที่ให้คุณได้ศึกษา (Youtube และ Netflix)
โดยรวมแล้วเนื้อหาในคอร์สจะยาวกว่า 10 ชั่วโมง และจะเริ่มจากการสร้าง Recommender System ที่เรียบง่ายขึ้นมาจนถึงระดับที่สูงขึ้นที่ใช้ Deep Learning ครับ ทุกอย่างจะเป็นลำดับขั้นตอนทำให้คุณเข้าใจไม่ยากนัก
สำหรับสำเนียงของผู้สอนนั้นชัดเจนดี และเข้าใจง่ายมาก ผมเองก็เคยเรียนคอร์สอื่นของเขามาแล้ว ซึ่งผมเชื่อว่าคุณจะเรียนได้อย่างสบายๆ ครับ
คอร์สนี้ได้คะแนนไป 4.6/5.0 จากนักเรียนกว่า 11,200 คน
3. Recommender Systems Specialization
หลักสูตรนี้อยู่ใน Coursera และจัดทำโดย University of Minnesota ครับ สำหรับใครที่อยากเรียนเป็นแบบทางการ ขอเรียนเชิญที่หลักสูตรนี้เลยครับ
ในหลักสูตรจะสอนการออกแบบ สร้าง และประเมินประสิทธิภาพของ Recommender System อย่างละเอียดและเบ็ดเสร็จ ตัวหลักสูตรมีคอร์สย่อยให้เรียนทั้งหมด 5 คอร์สด้วยกัน โดยประกอบด้วย
1. Introduction to Recommender Systems: Non-Personalized and Content-based – คอร์สย่อยนี้จะแนะนำพื้นฐานของการสร้าง Recommender System ให้คุณเข้าใจอย่างละเอียด
โดยคุณจะได้เข้าใจถึงรูปแบบของ recommendation อย่างเช่นแบบ non-personalized ไปจนถึงแบบ content-filtering
ทั้งนี้เครื่องมือที่คุณใช้ยังจะค่อนข้างเรียบง่ายอย่าง Lenskit Recommender Toolkit ครับ
2. Nearest Neighbor Collaborative Filtering – ในคอร์สย่อยนี้คุณจะได้เรียนเทคนิคต่างๆ ในการสร้าง personalized recommendation โดยใช้ nearest neighbor techniques อย่างเช่น user-user/item-item algorithm เป็นต้น
3. Recommender Systems: Evaluation and Metrics – ทั้งคอร์สย่อยนี้จะเป็นการแนะนำวิธีการประเมินคุณภาพของการแนะนำต่างๆ ที่มาจากระบบของคุณ และเข้าใจว่าการประเมินแบบใดที่จะแม่นยำและเหมาะสมที่สุดกับระบบของคุณด้วย
4. Matrix Factorization and Advanced Techniques – สำหรับคอร์สนี้จะเป็นการเรียนรู้เกี่ยวกับ Matrix Factorization และ hybrid machine learning ที่ใช้สำหรับการสร้าง Recommender System อย่างละเอียด รวมไปถึงวิธีการผสมผสาน algorithm ต่างๆ เพื่อให้เกิดประสิทธิภาพสูงสุด
5. Capstone – คอร์สย่อยสุดท้ายจะเป็นโปรเจคที่ให้คุณใช้ความรู้ทั้งหมดที่เรียนไปครับ คุณจะได้ลองออกแบบ และแนะนำ Recommender System ที่เหมาะสมต่อความต้องการของลูกค้า
อย่างไรก็ดีในหลักสูตรนี้ คุณจะไม่ได้เน้นการสร้าง Recommender System ระดับสูงที่ใช้ Deep Learning มากนัก ถ้าคุณอยากเรียนส่วนนี้ ผมมองว่าคอร์สที่ 1-2 เป็นทางเลือกที่ดีกว่า
ทางมหาวิทยาลัยแนะนำว่าคุณควรจะเรียน 3 ชั่วโมงต่อสัปดาห์ โดยจะใช้เวลาเรียนทั้งหมด 5 เดือนด้วยกัน ส่วนค่าเรียนอยู่ที่ $49 หรือประมาณ 1,470 บาทต่อเดือนครับ
4. ProjectPro
หลังจากที่คุณได้เรียนพื้นฐานจาก 3 คอร์สด้านบนแล้ว ผมแนะนำอย่างยิ่งให้ลองทำ Project บนแพลตฟอร์มของ ProjectPro ครับ ตัวแพลตฟอร์มนี้มี project ของสาย data science มากถึง 120 ชิ้นด้วยกัน ซึ่งจะช่วยให้คุณยกระดับทักษะของคุณอย่างก้าวกระโดดครับ
โปรเจคที่เกี่ยวข้องกับ Recommender Systems ที่ผมมองว่าน่าสนใจได้แก่
- Build an Azure Recommendation Engine on Movielens Dataset – ในโปรเจคนี้คุณจะได้สร้าง Recommendation Engine บน Microsoft Azure โดยเริ่มแรกคุณใช้ Spark SQL ในการวิเคราะห์ข้อมูลของ Movielens หลังจากนั้นคุณจะสร้าง data pipeline, data factory และทำ data visualization ของตัวข้อมูลให้ครบถ้วน
- Build a Music Recommendation Algorithm using KKBox’s Dataset – ในโปรเจคที่สอง คุณจะได้ใช้ machine learning เพื่อวิเคราะห์ข้อมูลจาก KKBox เพื่อวิเคราะห์และพยากรณ์ว่าผู้ฟังเพลงจะเลือกเพลงซ้ำหรือไม่ หลังจากที่ได้ฟังไปในรอบแรก
โปรเจคเหล่านี้จะมาควบคู่กับ Dataset, Source Code รวมไปถึงวิดีโอเฉลยแบบละเอียดทุกขั้นตอนที่มีความยาวกว่า 3-5 ชั่วโมงด้วยกัน ถ้าคุณสงสัยอะไรก็สามารถอีเมล์สอบถามได้โดยตรงด้วยครับ ดังนั้นคุณจะมีทรัพยากรการเรียนครบถ้วนเลยทีเดียว
ในส่วนของค่าใช้จ่ายจะอยู่ที่ $780 หรือประมาณ 23,400 บาทต่อปี (สมัครแล้วทำได้ทุกโปรเจค) การสมัครเรียนไม่มีความเสี่ยงครับ เพราะคุณขอเงินคืนได้ทุกบาททุกสตางค์ใน 90 วันนั่นเอง ดังนั้นถ้าสมัครแล้วไม่ชอบก็สามารถขอคืนเงินได้ครับ