Séance de cours

Systèmes de recommandation: MovieLens Dataset

Graph Chat

Chattez avec Graph Search

Posez n’importe quelle question sur les cours, conférences, exercices, recherches, actualités, etc. de l’EPFL ou essayez les exemples de questions ci-dessous.

AVERTISSEMENT : Le chatbot Graph n'est pas programmé pour fournir des réponses explicites ou catégoriques à vos questions. Il transforme plutôt vos questions en demandes API qui sont distribuées aux différents services informatiques officiellement administrés par l'EPFL. Son but est uniquement de collecter et de recommander des références pertinentes à des contenus que vous pouvez explorer pour vous aider à répondre à vos questions.

Dans cours

CS-423: Distributed information systems

This course introduces the foundations of information retrieval, data mining and knowledge bases, which constitute the foundations of today's Web-based distributed information systems. ...

Description

Cette séance de cours couvre la mise en œuvre des systèmes de recommandation à l'aide du jeu de données MovieLens. L'instructeur montre le chargement de l'ensemble de données, l'exploration du nombre d'utilisateurs et de films, le fractionnement des données, la création de matrices d'éléments utilisateur et la mise en œuvre d'un filtrage collaboratif basé sur les éléments. La séance de cours progresse ensuite vers l’écriture de code pour les mesures de similarité, la prédiction des cotes et l’optimisation de la solution. Enfin, l'instructeur introduit un filtrage collaboratif basé sur l'utilisateur, calcule les similitudes entre les utilisateurs et prédit les cotes. La séance de cours se termine par un aperçu de l'évaluation des recommandateurs à l'aide des métriques RMSE et MAE dans la bibliothèque Surprise.

Enseignant·e

Karl Aberer

Co-Founder of LinkAlong Sarl, 2017.Vice-president EPFL for Information Systems, 2012 –2016.Director of the Swiss National Centre for Mobile Information and Communication Systems NCCR MICS (mics.ch), 2005 -2012.Member of the Swiss Research and Technology Council SWTR, consulting the Swiss Federal government, 2004 - 2011.

Source officielle

Concepts associés (30)

Python (langage)

Python (prononcé ) est un langage de programmation interprété, multiparadigme et multiplateformes. Il favorise la programmation impérative structurée, fonctionnelle et orientée objet. Il est doté d'un typage dynamique fort, d'une gestion automatique de la mémoire par ramasse-miettes et d'un système de gestion d'exceptions ; il est ainsi similaire à Perl, Ruby, Scheme, Smalltalk et Tcl.

Ruby

Ruby est un langage de programmation libre. Il est interprété, orienté objet et multi-paradigme. Le langage a été standardisé au Japon en 2011 (JIS X 3017:2011), et en 2012 par l'Organisation internationale de normalisation (ISO 30170:2012). Yukihiro « Matz » Matsumoto est le créateur de Ruby. Frustré par son expérience en développement Smalltalk et Lisp, il commence la conception d'un nouveau langage en 1993 sous Emacs, puis publie une première version en 1995 sous licence libre. Il enchaîne depuis les nouvelles versions.

NumPy

NumPy est une bibliothèque pour langage de programmation Python, destinée à manipuler des matrices ou tableaux multidimensionnels ainsi que des fonctions mathématiques opérant sur ces tableaux. Plus précisément, cette bibliothèque logicielle libre et open source fournit de multiples fonctions permettant notamment de créer directement un tableau depuis un fichier ou au contraire de sauvegarder un tableau dans un fichier, et manipuler des vecteurs, matrices et polynômes.

Système de recommandation

Les systèmes de recommandation sont une forme spécifique de filtrage de l'information (SI) visant à présenter les éléments d'information (films, musique, livres, news, images, pages Web, etc) qui sont susceptibles d'intéresser l'utilisateur. Généralement, un système de recommandation permet de comparer le profil d'un utilisateur à certaines caractéristiques de référence, et cherche à prédire l'« avis » que donnerait un utilisateur.

Racine de l'erreur quadratique moyenne

La racine de l'erreur quadratique moyenne (REQM) ou racine de l'écart quadratique moyen (en anglais, root-mean-square error ou RMSE, et root-mean-square deviation ou RMSD) est une mesure fréquemment utilisée des différences entre les valeurs (valeurs d'échantillon ou de population) prédites par un modèle ou estimateur et les valeurs observées (ou vraies valeurs). La REQM représente la racine carrée du deuxième moment d'échantillonnage des différences entre les valeurs prédites et les valeurs observées.

Afficher plus

Séances de cours associées (32)

Optimisation quasi-newton

Couvre les méthodes de recherche de ligne de gradient et les techniques d'optimisation en mettant l'accent sur les conditions Wolfe et la définition positive.

Recommender Systems : Factorisation matricielle

Explore la factorisation matricielle dans les systèmes de recommandation, couvrant l'optimisation, les mesures d'évaluation et les défis liés à la mise à l'échelle.

Modélisation computationnelle des systèmes

Couvre la modélisation computationnelle, les règles du projet, la collaboration et les projets d'assainissement du site.

Méthodes de débogage et de calcul

Couvre les techniques de débogage en Python et les méthodes de calcul comme le calcul de la puissance de fréquence et la détection du son des oiseaux.

Spark DataFrames : bases et optimisation

Couvre les bases de Spark DataFrames, leurs avantages, la comparaison des performances avec les RDD et les démonstrations pratiques.

Afficher plus

Concepts associés (30)

Python (langage)

Ruby

NumPy

Système de recommandation

Racine de l'erreur quadratique moyenne

Afficher plus