or
Cet exercice fait partie du cours
Quels problèmes les moteurs de recommandation cherchent-ils à résoudre et quelles données leur conviennent le mieux ? Identifiez les recommandations pertinentes que l’on peut produire même avec peu de données, et apprenez à créer vos propres recommandations.
Découvrez comment exploiter les attributs des éléments pour générer des recommandations. Établissez des comparaisons utiles entre éléments avec des données catégorielles et textuelles. Créez des profils pour recommander de nouveaux éléments aux utilisateurs selon leurs préférences passées.
Découvrez de nouveaux éléments à recommander en identifiant d’autres utilisateurs aux goûts similaires. Apprenez à formuler des recommandations basées sur les utilisateurs ou sur les éléments, et dans quels contextes privilégier chaque approche. Utilisez des modèles des k plus proches voisins pour tirer parti de l’intelligence collective et prédire la note qu’une personne pourrait attribuer à un élément qu’elle n’a pas encore vu.
Comprenez comment la sparsité des jeux de données réels peut affecter vos recommandations. Mettez à profit la factorisation de matrices pour gérer cette sparsité. Explorez l’intérêt des caractéristiques latentes et utilisez-les pour mieux comprendre vos données. Enfin, mettez les modèles étudiés à l’épreuve en apprenant à valider chacune des approches vues.
Exercice en cours