Un sistema de recomendaciones en Python
Para muchos, la idea de codificar su propio sistema de recomendaciones en Python puede parecer completamente abrumadora. La buena noticia es que puede ser bastante simple (dependiendo del enfoque que adoptes). Dejame explicar…
Hay tres clases principales de sistemas de recomendación. Esos son:
- ¿Existen aplicaciones para bandidos multi armados en el campo de aprendizaje profundo?
- ¿Cómo se usa el aprendizaje automático en la generación de preguntas?
- ¿Existe algún modelo de aprendizaje profundo o algún otro método que ingrese como una colección de documentos y pueda predecir la probabilidad de un nuevo documento?
- ¿Cómo se puede comparar Big data con Machine Learning?
- ¿Cómo puede alguien usar el verano para hacer un gran progreso en su conocimiento en los campos de redes neuronales artificiales y aprendizaje profundo?
- Sistemas de filtrado colaborativo: los sistemas colaborativos generan recomendaciones basadas en aportes de fuentes múltiples. Recomiendan elementos basados en el comportamiento del usuario y similitudes entre los usuarios. (Un ejemplo es Google PageRank, que recomienda páginas web similares basadas en los enlaces de retroceso de una página web)
- Sistemas de filtrado basados en contenido: los sistemas basados en contenido generan recomendaciones basadas en elementos y similitudes entre ellos. (Pandora usa filtros basados en contenido para hacer sus recomendaciones musicales)
- Sistemas de recomendación híbridos: los sistemas de recomendación híbridos combinan enfoques colaborativos y basados en contenido. Ayudan a mejorar las recomendaciones derivadas de conjuntos de datos dispersos. (Netflix es un excelente ejemplo de un recomendador híbrido)
Los sistemas de colaboración a menudo implementan un método vecino más cercano o un sistema de filtrado colaborativo basado en elementos , un sistema simple que hace recomendaciones basadas en regresión simple o un enfoque de suma ponderada. El objetivo final de los sistemas de colaboración es hacer recomendaciones basadas en el comportamiento de los clientes, los patrones de compra y las preferencias, así como los atributos del producto, los rangos de precios y las categorías de productos. Los sistemas basados en contenido pueden implementar métodos tan simples como el promedio, o pueden implementar enfoques avanzados de aprendizaje automático en forma de clasificadores Naive Bayes, algoritmos de agrupamiento o redes neuronales artificiales.
Lee mas…
