Ich werde individuelle Deep-Learning- und NLP-Modelle entwickeln

Möchtest du Empfehlungen, die tatsächlich widerspiegeln, wie deine Nutzer sich verhalten, und keine statische Tabelle "Menschen, die X gekauft haben"?

Ich baue Deep-Learning-Empfehlungs- und Sequenzmodelle in Python: Systeme, die aus der Reihenfolge des Nutzerverhaltens lernen, um vorherzusagen, was jemand als Nächstes wollen wird – so wie es Produktionssysteme bei Netflix und TikTok machen.

Was ich entwickle: Sequenzielle Empfehler (SASRec / GRU4Rec / transformer-basiert), Embedding- & kollaborative-filtering-Modelle, NLP- und Sequenzmodelle für Text- und Verhaltensdaten, richtige Bewertung mit Leave-one-out, Hit@K, NDCG, Coverage & Diversity (nicht nur zufällige Split-Metriken), eine interaktive Demo-App, damit du Empfehlungen live sehen kannst

Aktuelle Arbeiten: Ich habe einen sequenziellen Filmempfehler auf dem MovieLens 25M-Datensatz gebaut, mit drei Modellen (Prod2Vec, GRU4Rec, SASRec) und einer Live-Demo, die zeigt, welche vergangenen Items jede Empfehlung beeinflusst haben anhand von Attention-Gewichten. Außerdem habe ich ein End-to-End-Kundenanalyse-System geliefert, das 403.000 £ an potenziell verlorenem Umsatz für einen Händler identifiziert hat. Ich baue also Modelle, die sich an echten Geschäftsergebnissen orientieren, nicht nur an Leaderboard-Punkten.

Tools: Python, PyTorch/TensorFlow, scikit-learn, Pandas, Streamlit