Echa un vistazo al premio de Netflix, que fue un desafío para Kaggle por algo similar.
Hasta donde yo sé, las sugerencias funcionan más o menos así. El sitio web capacitó a su red con muchos datos sobre las preferencias existentes de su base de datos. Lo entrenan de manera que las personas a las que les gustaban cosas similares deberían terminar cerca una de la otra en un espacio de características N-dimensionales (N es un número relativamente pequeño). Esto lleva mucho tiempo, pero se hace detrás de las cortinas, no en el sitio en vivo.
Ahora tienen una red que puede colocar a cualquiera (usted, por ejemplo) en ese mismo espacio, en función de las cosas que le gustaron o que acaba de buscar. Esto significa que no se realiza capacitación cuando un usuario visita el sitio, solo un pase de reenvío para una red ya capacitada.
- ¿Cuáles son las similitudes y diferencias entre los campos aleatorios condicionales (CRF) y las redes de Markov de margen máximo (M3N)?
- ¿Qué tipos de carreras hay para los ingenieros informáticos que se concentran en la inteligencia artificial y la máquina?
- ¿Cómo entrenamos redes neuronales en datos numéricos?
- ¿Cuál es la diferencia entre análisis de datos, análisis de datos, minería de datos, ciencia de datos, aprendizaje automático y Big Data?
- ¿El análisis de sentimientos basado en léxico se considera un método no supervisado?
Si lees sobre los enfoques para el desafío de Netflix mencionado anteriormente, verás que no es tan simple, porque tus datos pueden ser muy escasos (para Netflix, fue que a muy pocas personas les gustó un subconjunto suficientemente superpuesto de todas esas películas y programas) .)
Pero sí, el punto es que no se realiza capacitación en el momento del uso.