Nos formations : www.jedha.co "Vous pourriez également aimer...." Les systèmes de recommandation sont utilisés dans divers secteurs, utilisés par exemple par Netflix, Amazon, Reddit pour vous proposer des produits ou services les plus adaptés à votre profil ou centre d'intérêts. Mais ces applications sont loin d'être les seules : ces moteurs de recommandations peuvent aider au raisonnement médical ou bien vous suggérer des contenus d'apprentissage adaptés (sur des plateformes e-learning par exemple). Dans ce workshop, Aurélie vous expliquera notamment comment sont construits de tels modèles.

1. Data Science
Bootcamp
Commencez votre carrière
dans la Data

2. Notre Speaker
—
Aurélie Mutschler
Freelance Data Scientist

3. Les systèmes de
recommandation
…
Et ce qu’ils peuvent apporter à votre business

4. Vous avez dit…
recommandation ?!

5. Vous avez dit…
recommandation ?!
… Désigne le fait de prédire les préférences
d’un utilisateur/client dans le but de lui faire
des suggestions personnalisées

6. Ils sont partout...

7. … Pourquoi ?

8. … Pourquoi ?
Augmenter son chiffre d’affaires
Améliorer l’expérience utilisateur

9. Ce que ce n’est pas...
Les moteurs de recherche
Les enchères publicitaires
Le ciblage marketing

10. Construire un système de
recommandation

11. Un concept-clé : la sérendipité
Historiquement :
Réaliser une découverte/invention de façon inattendue
Système de recommandation
Guider l’utilisateur vers des produits/contenus/relations qu’il
n’aurait pas trouvés par lui-même mais qui lui plaisent
tout de même

12. Comment évaluer un système
de recommandation
Sérendipité : concept flou
Soit on a accès à une “mesure” de la satisfaction :
Notes, durée de visionnage, likes…
L’utilisateur doit avoir un compte
Soit on mesure des conséquences :
Revenus, taux de rebond ou d’engagement…
Mise en place d'un A/B test
→ RDV le 26 juin avec Romain Granger !

13. Les 3 grandes classes
Approche produits - “item-based”
Informations sur les produits/contenus
Description, prix, catégorie, …
Approche utilisateurs - “user-based”
Informations sur les utilisateurs et leurs interactions
Données du compte, historique des actions,…
Approche modèle - “model-based”
Machine learning
Le plus « à la mode » mais le moins répandu en production…

14. Model-based
(matrix factorization)

15. Item-based

16. User-based

17. Model-based vs. user/item-based
User/item-based
Notes pas nécessaires
Représenter les données
dans une base adaptée !
⇨ requêtes temps-réel 😀
☝ Machine learning possible
(mais pas nécessaire)
Model-based
Besoin d’avoir des notes
Machine learning complexe
« sparse matrix »
« cold-start »
Besoin d’entraîner le modèle
⇨ pas de temps-réel 😢

18. Les bases de données en
graphe

19. Définition

20. Les systèmes de management

21. Cas d’utilisation
Représentation de réseaux
Traversées de graphe / requêtes locales

22. Un cas concret :
recommandation de films
avec

23. Quatre stratégies user/item-based
Détails disponibles sur le blog du datalab de Kernix : www.kernix.com/blog

24. Comparaison des approches
Stratégie R5 R4 R3
User-based (1) 45 % 45 % 9 %
User-based (2) 45 % 45 % 9 %
User-based (3) 75 % 25 % 0 %
Item-based (4) 57 % 28 % 7 %
Model-based 80 % 20 % 0 %
Détails disponibles sur le blog du datalab de Kernix : www.kernix.com/blog

25. Pourquoi faut-il combiner
plusieurs approches ?

26. Pourquoi faut-il combiner
plusieurs approches ?
Réponse : la sérendipité !

27. Des questions ?

28. Jedha : Data Science Bootcamp
—
FONDAMENTAUX
7 Sept - 26 Oct
Tous les samedis
9h30 - 15h30
Samedis
—
19 Août - 30 Août
Lundi au Vendredi
9h30 - 15h30
Semaine
—

29. Jedha : Data Science Bootcamp
—
FULLSTACK : DEVENEZ DATA SCIENTIST
Temps plein
—
9 Sept - 3 Déc
Lundi au Vendredi
9h30 - 15h30

30. Data Science
Bootcamp
Merci ! A la prochaine :)