...
← Curs Machine Learning și AI pentru începători
Lecțiile 281–350

Continuă cu Junior ML Engineer

Primele 15 lecții din Curs Machine Learning și AI pentru începători sunt gratuite, fără card. Începe cu ele și vezi dacă ți se potrivește înainte să plătești ceva.

Începe gratuit de la lecția 1 →

Academia Programatorilor
Diplomă de absolvire Seria PREVIZUALIZARE

Se certifică faptul că

Numele tău

a absolvit integral Curs Machine Learning și AI pentru începători, cu toate cele 350 de lecții interactive finalizate și exercițiile verificate automat.

Diplomă Junior Machine Learning Engineer
Tudor Dumitrescu Tudor Dumitrescu Fondator · Trainer & formator autorizat
Data emiterii 19 noiembrie 2026 Verificare online academiaprogramatorilor.ro/certificat/PREVIZUALIZARE/
La finalul modulului primești Diplomă Junior Machine Learning Engineer
Lecția 331 · Junior ML Engineer

Proiect recomandări (5/6): evaluarea

Ai trei sisteme de recomandare: popularitate, vecini și factorizare. Care este cel mai bun? Ca la orice model ML, răspunsul vine din date pe care modelul nu le-a văzut. Aici le obții ascunzând o parte din note, apoi măsori cât de aproape sunt notele prezise (RMSE) și cât de des recomandările sunt cărți apreciate cu adevărat (precision@k).

Train și test pentru recomandări

La recomandări nu împarți rânduri, ci celule: alegi aleator 20% dintre notele existente, le ștergi din matricea de antrenare și le păstrezi deoparte. Modelele învață doar din notele rămase și trebuie să le ghicească pe cele ascunse.

import numpy as np
import pandas as pd

df = pd.read_csv("evaluari.csv")
matrice = df.pivot_table(index="utilizator", columns="carte", values="nota")
R = matrice.values
Exercițiul lecției

Compară cele trei metode pe notele ascunse. Funcțiile popularitate, vecini și factorizare sunt gata. Scrie rmse(P) și precision_la_k(P, k=3) și afișează un tabel metodă → RMSE, precision@3, sortat după RMSE.

  • rmse(P): diferențele P[i, j] - R[i, j] pentru toate perechile din ascunse, apoi rădăcina mediei pătratelor.
  • precision_la_k(P, k=3): pentru fiecare utilizator cu cărți ascunse apreciate (nota ≥ 4), recomandă primele k cărți fără notă în R_train, numără nimeririle și împarte la numărul de recomandări.
  • Construiește un DataFrame cu coloanele metoda, RMSE, precision@3 (rotunjite la 3 zecimale) pentru cele 3 metode.
  • Sortează după RMSE crescător și afișează-l cu to_string(index=False).

Restul explicațiilor, editorul și verificarea automată se deblochează cu Junior ML Engineer.

Ce urmează în curs

  1. Matematica pentru ML cu numpy Lecțiile 16–80 · 65 de lecții certificat
  2. Regresie și clasificare Lecțiile 81–140 · 60 de lecții certificat
  3. Modele avansate și evaluare Lecțiile 141–210 · 70 de lecții certificat
  4. Rețele neuronale și NLP Lecțiile 211–280 · 70 de lecții certificat
  5. Junior ML Engineer Lecțiile 281–350 · 70 de lecții certificat

Ce primești

  • Lecții interactive în limba română, cu cod scris și rulat direct în browser
  • Exerciții verificate automat, cu feedback pe loc
  • Certificat la finalul fiecărui modul, verificabil online
  • Acces pe viață, în ritmul tău, fără abonament

4,9 din 5 · 128 de recenzii Google

Foarte profi si utile cursurile. Practica aplicata si explicata de traineri inarmati cu rabdare si cunostine solide.
Iulian Pahom
Cursuri foarte utile si profesori foarte pregatiti. Recomand cu toata increderea.
Catalina Ioana Dan
Super usor de inteles. Cursurile de programare video onlinesunt foarte bine explicate
Laura Chiriazi
Toate recenziile pe Google