Berikut Silabus 40 Sesi: “Optimasi Sistem Rekomendasi Produk E-Commerce Berbasis Collaborative Filtering dengan Deep Learning”
Pendahuluan
-
Sesi 1 : Pengenalan Sistem Rekomendasi Definisi dan jenis sistem rekomendasi.
-
Aplikasi dalam e-commerce.
-
Studi kasus sistem rekomendasi populer.
-
Sesi 2 : Dasar-Dasar Collaborative Filtering Collaborative vs Content-Based Filtering.
-
Konsep user-item matrix.
-
Kelebihan dan kekurangan metode collaborative filtering.
-
Sesi 3 : Pendekatan Matrix Factorization Singular Value Decomposition (SVD).
-
Alternating Least Squares (ALS).
-
Sesi 4 : Deep Learning dalam Sistem Rekomendasi Kelebihan deep learning dalam sistem rekomendasi.
-
Arsitektur model neural collaborative filtering (NCF).
Pengumpulan dan Persiapan Data
-
Sesi 5 : Pengumpulan Data untuk Sistem Rekomendasi Sumber dataset: MovieLens, Amazon Reviews, dll.
-
Prinsip pengumpulan data pengguna dan privasi.
-
Sesi 6 : Pembersihan dan Persiapan Data Teknik pembersihan data.
-
Mengatasi data sparse.
-
Sesi 7 : Eksplorasi Dataset Analisis distribusi data.
-
Mengidentifikasi pola pengguna dan produk.
-
Sesi 8 : Normalisasi dan Encoding Data Teknik normalisasi data.
-
Encoding untuk user ID dan item ID.
Implementasi Collaborative Filtering Tradisional
-
Sesi 9 : Implementasi User-Based Collaborative Filtering Algoritma berbasis kemiripan pengguna.
-
Menggunakan Pearson dan Cosine similarity.
-
Sesi 10 : Implementasi Item-Based Collaborative Filtering Algoritma berbasis kemiripan produk.
-
Analisis kemiripan antar produk.
-
Sesi 11 : Evaluasi Model Collaborative Filtering Metode evaluasi: Precision, Recall, F1 Score.



