منصوبے کے بارے میں

Recommenders لینکس فاؤنڈیشن آف AI اینڈ ڈیٹا کے تحت ایک اوپن سورس پروجیکٹ ہے جو سفارشی نظام بنانے کے لیے مثالیں اور بہترین طریقے فراہم کرتا ہے، جو بنیادی طور پر Jupyter نوٹ بکس کی صورت میں پیش کیے جاتے ہیں۔ اس کا بیان کردہ مقصد محققین، ڈویلپرز اور شوقین افراد کی مدد کرنا ہے تاکہ وہ کلاسیکی اور جدید ترین سفارشی الگورتھم کو پروٹوٹائپ، تجربہ اور پیداوار کی طرف لے جا سکیں۔ یہ مواد پانچ کلیدی کاموں کے گرد منظم ہے: ہر الگورتھم کے لیے ڈیٹا کی تیاری اور لوڈنگ؛ کلاسیکی اور گہری سیکھنے کے طریقوں سے ماڈلز کی تعمیر؛ آف لائن میٹرکس کے ساتھ الگورتھم کی تشخیص؛ ہائپر پیرامیٹر ٹیوننگ کے ذریعے ماڈلز کا انتخاب اور اصلاح؛ اور پیداواری ماحول میں ماڈلز کو آپریشنل بنانا۔ recommenders پیکج میں معاون یوٹیلیٹیز عام ضروریات کو پورا کرتی ہیں جیسے الگورتھم کے مخصوص فارمیٹس میں ڈیٹاسیٹس لوڈ کرنا، آؤٹ پٹس کی تشخیص اور تربیتی/ٹیسٹ ڈیٹا کی تقسیم۔ ریپوزٹری الگورتھم کی ایک وسیع فہرست کی دستاویز کرتی ہے، جس میں تعاونی فلٹرنگ کے طریقے جیسے ALS، BPR، BiVAE، Caser، LightGCN، NCF، RBM، SAR، SASRec، SVD، Wide and Deep، xDeepFM اور مختلف VAE اقسام شامل ہیں، ساتھ ہی مواد پر مبنی طریقے جیسے DKN، LightGBM، LSTUR، NAML، NPA، NRMS، TF-IDF اور Vowpal Wabbit۔ ہر اندراج کوئیک اسٹارٹ یا ڈیپ ڈائیو نوٹ بکس سے منسلک ہے۔ ایک بینچ مارک نوٹ بک MovieLens 100k پر کئی تعاونی فلٹرنگ الگورتھم کا موازنہ رینکنگ اور ریٹنگ میٹرکس کا استعمال کرتے ہوئے کرتی ہے، جس میں رپورٹ شدہ پیرامیٹر سیٹنگز اور ہارڈویئر سیاق و سباق شامل ہیں۔ تنصیب کی رہنمائی ماحول کے انتظام کے لیے uv اور ترقی کے لیے VS Code کی سفارش کرتی ہے، GPU، Spark، ترقی اور تجرباتی خصوصیات کے لیے اختیاری اضافی چیزیں شامل ہیں۔ یہ پروجیکٹ MIT لائسنس یافتہ ہے، شائع شدہ رہنما خطوط اور ضابطہ اخلاق کے تحت تعاون کا خیرمقدم کرتا ہے، اور متعلقہ کورسز، کتابوں اور تعلیمی مقالوں کا حوالہ دیتا ہے۔