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

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