Upgrade to Pro — share decks privately, control downloads, hide ads and more …

Achamos que você pode gostar dessa palestra: Uma introdução a Sistemas de Recomendação - Python Brasil 2018

Achamos que você pode gostar dessa palestra: Uma introdução a Sistemas de Recomendação - Python Brasil 2018

Você já se perguntou como a Netflix sabe o que você deseja ver? Ou como a Amazon aumentou 29% de suas vendas depois de começar a fazer uso de recomendações? No final desta palestra, você descobrirá mais sobre o universo da Recomendação, por que é tão relevante hoje em dia e o que é necessário para construir seu próprio sistema.

Vídeos:
- https://youtu.be/aXeHbJuDf3k
- https://youtu.be/Yqb7gRu0F0U

Apresentado em:

- Mulheres de Produto 2019
- Python Brasil 2018
- PyData Porto Alegre

C5dcbcc9081a8345816340f06e9f18a7?s=128

Betina Costa

October 18, 2018
Tweet

Transcript

  1. ACHAMOS QUE VOCÊ PODE GOSTAR DESSA PALESTRA: BETINA COSTA UMA

    INTRODUÇÃO A SISTEMAS DE RECOMENDAÇÃO
  2. QUEM SOU EU? Engenheira de Software Estudante de Filosofia Apaixonada

    por Python Cinéfila Pole dancer Machine Learning Padawan
  3. BEM VINDAS A INTERNET! C O N T E Ú

    D O R E L E V A N T E M E M E S M E M E S R E L E V A N T E S
  4. RECOMENDAÇÃO Resolve Overload de Informação Preve itens de interesse da

    usuária Filtra informações relevantes SOLUÇÃO
  5. 75% DO CONTEÚDO ASSISTIDO PROVEM DE RECOMENDAÇÃO

  6. 29% Resultando em um crescimento de $9,9 para $12,8 milhões

    em 3 meses DE AUMENTO DE FATURAMENTO
  7. ETAPAS DE UM SISTEMA DE RECOMENDAÇÃO CONSTRUINDO UM SISTEMA DE

    RECOMENDAÇÃO
  8. COLETA DE INFORMAÇÃO Coleta de informações relevantes sobre a usuária

    Construção do perfil/modelo da usuária Feedback implícito e Explícito CREATIVE CAREER
  9. FEEDBACK EXPLÍCITO Necessita de uma ação direta da usuária Mais

    preciso
  10. FEEDBACK IMPLÍCITO Monitora o comportamento da usuária Menos preciso

  11. FEEDBACK HÍBRIDO Explícito + Implícito

  12. FASE DE APRENDIZADO Nessa fase é onde vamos aplicar um

    algoritmo de aprendizado para explorar e filtrar todas essas informações coletadas.
  13. FASE DE RECOMENDAÇÃO É onde recomendamos ou prevemos que tipos

    de itens ou conteúdos que a usuária deve preferir.
  14. ALGORITMOS DE RECOMENDAÇÃO APLICANDO AS ETAPAS

  15. FILTRO COLABORATIVO Independente de Domínio; Matriz Usuário x Item Baseado

    em similaridade; Baseado em Usuários; Baseado em Itens;
  16. BASEADO EM USUÁRIO Calcula similaridade entre usuárias; Seleciona itens não

    avaliados pela usuária ativo; Calcula uma classificação por Média Ponderada; Gera a recomendação; FILTRO COLABORATIVO
  17. BASEADO EM ITEMS Calcula similaridade entre Itens; Pega os item

    classificados pelo usuário; Calcula a similaridade com com o item alvo; FILTRO COLABORATIVO
  18. DESAFIOS FILTRO COLABORATIVO Cold Start; Esparsidade de Dados; Escalabilidade;

  19. FILTRO BASEADO EM CONTEÚDO Dependente de Domínio; Analisa os atributos

    dos Itens; Ideal para páginas, sites de notícias e publicações Dispensa o perfil da usuária; Se adapta fácil a mudanças; Resolve problemas do CF;
  20. DESAFIOS FILTRO BASEADO EM CONTEÚDO Análise de conteúdo limitada; Superespecialização

    de conteúdo;
  21. CÁLCULO DE SIMILARIDADE ENCONTRANDO A SIMILARIDADE

  22. CORRELAÇÃO DE PEARSON Quanto duas variáveis se relacionam linearmente; Abordagem

    mais estatística;
  23. COSINE Modelo vetorial baseado em álgebra linear; Mais utilizado em

    comparação de textos;
  24. EXEMPLO DE FILTRO COLABORATIVO PONDO EM PRÁTICA

  25. RECAPITULANDO

  26. EXEMPLO

  27. CORRELACÃO DE PEARSON

  28. As vezes algumas opiniões pesam mais do que outras. MÉDIA

    PONDERADA
  29. MÉDIA PONDERADA

  30. RECOMENDAÇÃO

  31. SAIBA MAIS Recommendation systems: Principles, methods and evaluation Entenda como

    funcionam os Sistemas de Recomendação Sistemas de Recomendação e Filtragem Colaborativa Udemy
  32. PERGUNTAS? S I T E https://betinacosta.dev E M A I

    L bmcosta13@gmail.com T W I T T E R @ngasonicunicorn G I T H U B @betinacosta