import numpy as np # L : matrice clients x conseils (1 = aimé), ici 400 x 30 pop = L.sum(axis=0) # popularité de chaque conseil co = L.T @ L # avis donnés ensemble sim = co / np.sqrt(np.outer(pop, pop)) # similarité cosinus def recommander(connus, n=5): score = sim[connus].sum(axis=0) if len(connus) else pop.astype(float) score[connus] = -1 # ne pas reproposer l'acquis return np.argsort(-score)[:n] recommander([]) # aucun avis : la popularité décide recommander([0, 3, 6]) # 3 avis : ce que les voisins de goût ont aimé
Statistiques, finance quantitative, machine learning, deep learning, LLM, agents IA, MLOps : 321 épisodes avec des simulateurs à manipuler, pas des vidéos.
Statistics, quantitative finance, machine learning, deep learning, LLMs, AI agents, MLOps: 321 interactive episodes with simulators to play with, not videos.