Recommander des films - Andreea - Fullstack Lyon #1
•
1 j'aime•95 vues
Nos formations : jedha.co
Recommandé
Recommandé
Contenu connexe
Similaire à Recommander des films - Andreea - Fullstack Lyon #1
Similaire à Recommander des films - Andreea - Fullstack Lyon #1 (8)
Plus de Jedha Bootcamp
Plus de Jedha Bootcamp (20)
Recommander des films - Andreea - Fullstack Lyon #1
- 2. Système de recommandations : Comment la data science influence-t-elle nos choix de films ?
- 3. Dataset et pre-processing : MovieLens 100K UserId MovieId Rating Timestamp 3 1 4.5 1256677221 409 1 3.5 1256677456 62 1 4 1256677471 198 1 5 1256677260 MovieId Title Genres 1 Toy Story (1995) Adventure|Animation| Children|Comedy|Fantasy 2 Jumanji (1995) Adventure|Children|Fantasy 3 Grumpier Old Men (1995) Comedy|Romance 4 Waiting to Exhale (1995) Comedy|Drama|Romance Notes Films Primary Key
- 4. Notre dataset : MovieLens 100K Ratings 100 004 Users 671 Movies 6 323 Dates 1996-2018 Notes Films Movies 6 323 Genres 20 Years 1902-2017
- 5. Meilleur modèle : Factorisation matricielle - Singular Value Decomposition ? ? ? ? ? ? ? ? ? ? Films Utilisateurs R Crédit image : Google Developpers
- 6. Meilleur modèle : Factorisation matricielle - Singular Value Decomposition R = U 𝛴 MT (n x m) (n x n) (m x m)(n x m) Avec : - m, le nombre de films - n, le nombre d’utilisateurs
- 7. Meilleur modèle : Factorisation matricielle - Singular Value Decomposition 3.5 3 2.5 3 3.5 3 3 4.5 3 3 Films Utilisateurs R 3 4 3 5 5 5 5 4 2 5 4 ACP 0.1 0.2 0.1 0.1 0.3 0.7 Films Utilisateurs U 0.5 0.3 0.6 0.6 0.4 0.3 Action Drame Comédie
- 8. Meilleur modèle : Factorisation matricielle - Singular Value Decomposition Source : Stanford CS246 Factor 1 Factor2
- 9. Meilleur modèle : Factorisation matricielle - Singular Value Decomposition R = U 𝛴 MT (n x m) (n x n) (m x m)(n x m) Avec : 𝛴 = où 𝜎i sont les valeurs singulières.
- 10. Meilleur modèle : Factorisation matricielle - Singular Value Decomposition R = 0.1 0.2 0.1 0.1 0.3 0.7 Utilisateurs U 0.5 0.3 0.6 0.6 0.4 0.3 𝛴 Action Drame Comédie Latent features des utilisateurs 0.2 0.1 0.1 MT 0.3 0.2 0.2 0.4 0.2 0.5 Action Comédie Films Drame 0.4 0.3 0.1 Latentfeatures desfilms 𝜎1 0 0 0 𝜎r
- 11. Meilleur modèle : Factorisation matricielle - Singular Value Decomposition SGD ALS Stochastic Gradient Descent Alternating Least Square M M U, M tq
- 12. Meilleur modèle : Factorisation matricielle - Singular Value Decomposition SGD ALS Stochastic Gradient Descent Alternating Least Square M M U, M tq RMSE = 0.89
- 13. 4 grandes méthodes de création d’un système de recommandations Approche content-based Le filtrage collaboratif Approche model-based Le Deep Learning Crédit image : Towards Data Science
- 14. 4 grandes méthodes de création d’un système de recommandations Approche content-based Le filtrage collaboratif Approche model-based Le Deep Learning Crédit image : Towards Data Science
- 15. 4 grandes méthodes de création d’un système de recommandations Approche content-based Le filtrage collaboratif Approche model-based Le Deep Learning ? ? ? ? ? ? ? ? ? ? Films Utilisateurs
- 16. 4 grandes méthodes de création d’un système de recommandations Approche content-based Le filtrage collaboratif Approche model-based Le Deep Learning
- 17. Deep Learning : Restricted Boltzmann Machines (RBM) Crédit image : Andrea Perlato
- 18. Performances : Comparaison des modèles testés RMSE 1.44Random 0.99Approche contenu 0.89SVD 1.2Deep Learning 0.93Filtrage collaboratif
- 19. Performances : Comparaison des modèles testés avec une nouvelle utilisatrice Sarah
- 20. Performances : Comparaison des modèles testés avec une nouvelle utilisatrice TOP 10 DE SARAH Approche contenu Filtrage collaboratif SVD
- 21. Performances : Comparaison des modèles testés avec une nouvelle utilisatrice TOP 10 DE SARAH Approche contenu Filtrage collaboratif SVD Novelty Over-specialization Diversity Novelty Novelty Diversity
- 22. Conclusion et pistes d’amélioration Modèles hybrides De nouvelles avancées à explorer : mise en scène recommendations, etc. A chaque problème, son modèle, ses metrics
- 23. Data Science Bootcamp Merci ! Des questions ?
- 24. Annexes
- 26. Meilleur modèle : Factorisation matricielle - Singular Value Decomposition
- 27. Meilleur modèle : Factorisation matricielle - Singular Value Decomposition
- 28. Deep Learning : Restricted Boltzmann Machines (RBM) Forward Pass Backward Pass ou Reconstruction Crédit image : Pathmind
- 29. Mesure de similitude : Crédit image : dataaspirant
- 30. RMSE :
- 31. The Long Tail :