9 maja miałem okazję zaprezentować w ramach meetupu Warsaw Data Science koncepcję budowy silników rekomendacyjnych. Na realnym przykładzie zbioru filmów omawiałem krok po kroku kolejne etapy budowy mechanizmu rekomendacyjnego wykorzystującego techniki zaczerpnięte z teorii zbiorów rozmytych i logiki rozmytej.
logika rozmyta
Wykorzystanie zbiorów rozmytych w silnikach rekomendacji
Dla większości osób przy budowaniu mechanizmu rekomendacji algorytmami pierwszego wyboru będą popularne klasyfikatory. Niestety mało kto jednak zna i na co dzień wykorzystuje techniki rozmyte, które dają świetne rezultaty w przypadkach filtrowania opartego o indywidualne preferencje użytkownika (Content-based filtering). Już w najbliższy wtorek podczas prezentacji na Warsaw Data Science #26 omówię ideę działania silnika rekomendacji … Dowiedz się więcej
Silnik rekomendacji filmów
Bardzo popularny temat w środowisku data science: wyznaczanie rekomendacji. Jeśli mowa o rekomendacjach to wybór zbioru danych nie może być inny niż zbiór filmów i ich atrybutów. Klasyka Data Miningu 🙂 Jeśli chcesz zobaczyć proces implementacji zbiorów rozmytych w silniku rekomendacji, to zapraszam do zapoznania się z treścią wpisu.
Zbiory rozmyte – wstęp
Zanim przejdę do praktycznego zastosowania logiki rozmytej w Machine Learning’u, bądź silnikach rekomendacyjnych, czuję się zobowiązany do popełnienia krótkiego, teoretycznego wstępu, tak by każdy z czytających mógł zapoznać się z główną ideą zbiorów rozmytych. Pierwszy projekt który opublikuje na blogu będzie pisany „od zera”. W realnym projekcie, nie korzystając z żadnych gotowych bibliotek, zaimplementuję ideę zbiorów rozmytych w połączeniu z jednym z podejść stosowanych w silnikach rekomendacyjnych (Content-based filtering). Wszak łatwiej implementować coś co się dogłębnie rozumie. A więc zaczynamy…