Saltar al contenido principal
- -

poc: sistemasrecomendacion
Sistemas de Recomendación

Sistemas de Recomendación
Course is full

En este curso aprenderás lo que es un Sistema de Recomendación y las partes más importante del mismo. Estudiaremos las particularidades de los recomendadores basados en contenido, así como de los púramente colaborativos. También se explicará la técnica utilizada por el Sistema de Recomendación vencedor en la competición de Netflix: la factorización de matrices.
Course is full

Duración

4,5 créditos

Acerca de este curso

Este curso forma parte del Master Universitario en Investigación en Inteligencia Artificial organizado por la Asociación Española para la Inteligencia Artificial (AEPIA) y la Universidad Internacional Menéndez Pelayo (UIMP). El curso se encuentra dentro del módulo "Inteligencia en la Web" y es de carácter optativo.

Que aprenderé

En este curso aprenderás lo que es un Sistema de Recomendación y las partes más importante del mismo. Estudiaremos las particularidades de los recomendadores basados en contenido, así como de los púramente colaborativos. También se explicará la técnica utilizada por el Sistema de Recomendación vencedor en la competición de Netflix: la factorización de matrices.

Prerrequisitos

Necesitas un conocimiento básico de Internet como usuario.

Unidades

  1. Módulo 1: Introducción a los sistemas de recomendación
  2. Módulo 2: Evaluación en el contexto de sistemas de recomendación
  3. Módulo 3: Recomendadores basados en contenido
  4. Módulo 4: Filtros colaborativos (usuario-usuario)
  5. Módulo 5: Filtros colaborativos (item-item)
  6. Módulo 6: Ejemplos de recomendadores
  7. Módulo 7: Construcción de recomendadores como una tarea de aprendizaje automático
  8. Módulo 8: Ejemplos de recomendadores que usan factorización

Bibliografía

  1. Pablo Castells and Juan Huete. Capítulo 15: Sistemas de recomendación. En Fidel Cacheda, Juan Manuel Fernández Luna, Juan Francisco Huete Guadix. Recuperación de Información: un enfoque práctico y multidisciplinar. Editorial Ra-Ma. 2011.
  2. Pasquale Lops, Marco de Gemmis, Giovanni Semerano. Capítulo 3: Content-based Recommender Systems: State of the Arts and Trends. En F. Ricci, L. Rokach, B. Shapira y P.B. Kantor. Recommender System Handbook. Springer 2011.
  3. Charu C. Aggarwal. Capítulo 4: Content-based Recommender Systems. En C.C. Aggarwal. Recommender Systems: The Textbook. Springer. 2016.
  4. Luaces, O., Díez, J., Joachims, T., and Bahamonde, A. (2015). Mapping preferences into euclidean space. Expert Systems with Applications, 42(22):8588 – 8596.
  5. Díez, J., Martínez-Rego, D., Alonso-Betanzos, A., Luaces, O., and Bahamonde, A. (2016). Metrical representation of readers and articles in a digital newspaper. 10th ACM Conference on Recommender Systems (RecSys 2016) Workshop on Profiling User Preferences for Dynamic Online and Real-Time Recommendations (RecProfile 2016).
  6. Yehuda Koren, Robert Bell and Chris Volinsky, “Matrix Factorization Techniques for Recommender Systems,” Published by the IEEE Computer Society, IEEE 0018-9162/09, pp. 42- 49, ©IEEE, August 2009.
  7. J. Weston, S. Bengio, and N. Usunier. Large Scale Image Annotation: Learning to Rank with Joint Word-Image Embeddings. Machine Learning Journal, 81(1):21–35, 2010.
  8. A. S. Das, M. Datar, A. Garg, and S. Rajaram. Google News Personalization: Scalable Online Collaborative Filtering. In Proc. of the 16th WWW, pages 271–280. ACM, 2007.
  9. Shuo Chen, Joshua Moore, Douglas Turnbull, Thorsten Joachims, Playlist Prediction via Metric Embedding, ACM Conference on Knowledge Discovery and Data Mining (KDD), 2012.

Profesores del curso

Antonio Bahamonde

Antonio es doctor en Matemáticas por la Universidad de Santiago de Compostela y profesor de Inteligencia Artificial en la Universidad de Oviedo en Gijón, donde dirige el Centro de Inteligencia Artificial. Su ámbito de investigación se encuadra en el Aprendizaje Automático, fundamentalmente en aplicaciones a la ganadería, análisis sensorial, genética y a los sistemas de recomendación. Antonio ha presidido la Asociación Española para la Inteligencia Artificial (AEPIA) y en la actualidad es coordinador del este Máster.

Juan Manuel Fernández Luna

Juan Manuel es profesor titular de universidad del Departamento de Ciencias de la Computación e Inteligencia Artificial de la Universidad de Granada. Ha investigado en temas relacionados con la Recuperación de Información (recuperación basada en modelos gráficos probabilísticos, recuperación XML y personalización) y los Sistemas de Recomendación (recomendadores basados en filtrado colaborativos y de contenido, explicación, recomendación a grupos). Actualmente centra su investigación en recomendación de diputados y filtrado de documentos a los mismos.

Juan F. Huete

Juan es profesor del Departamento de Ciencias de la Computación e Inteligencia Artificial de la Universidad de Granada. Ha investigado en temas relacionados con la Recuperación de Información (recuperación basada en modelos gráficos probabilísticos, recuperación XML y personalización) y los Sistemas de Recomendación (basados en filtrado colaborativos y de contenido, explicación, recomendación a grupos). Actualmente centra su investigación en recomendación en ambientes políticos y filtrado de documentos a los mismos.

Oscar Luaces

Oscar es Doctor Ingeniero Informático por la Universidad de Oviedo, profesor titular y secretario del Centro de Inteligencia Artificial en la misma Universidad. Su línea de investigación se enmarca en el Aprendizaje Automático con aplicaciones diversas como el análisis inteligente de datos, la bioinformática o los sistemas de recomendación.

Jorge Díez

Jorge es Doctor Ingeniero Informático y trabaja como Personal Docente e Investigador en la Universidad de Oviedo en Gijón, más concretamente en el Centro de Inteligencia Artificial. Su investigación se centra en los siguientes campos del Aprendizaje Automático: métodos kernel, aprendizaje de preferencias, factorización de matrices y sistemas de recomendación. De estos últimos tiene varias publicaciones en revistas internacionales en los últimos años.

Course is full

MOOC es el acrónimo en inglés de Massive Online Open Course (que puede traducirse como Curso masivo abierto online).

Las siglas MOOC se utilizan para referirse a una iniciativa que comenzó en 2011 con un curso de Introducción a la Inteligencia artificial de la Universidad de Stanford en el que se inscribieron 160.000 estudiantes de 190 países, y que se ha convertido ya en un movimiento global al que se han incorporado las mejores universidades del mundo con la creación de diversas plataformas MOOC y miles de cursos que comparten un objetivo: proporcionar acceso gratuito a una formación superior de calidad a cualquiera que tenga una conexión a internet.

Los MOOCs están basados en la integración de tecnologías que existen desde hace tiempo en Internet: el vídeo en red, la evaluación automática a distancia y los foros de preguntas y respuestas en la web. Pero es ahora cuando los usuarios se han acostumbrado a usar el vídeo en red y las redes sociales en su día a día en Internet, lo que facilita que se creen comunidades de alumnos situados en cualquier parte del mundo que comparten conocimientos y experiencias y se ayudan en el proceso de aprendizaje, dándole a la formación online un nuevo enfoque colaborativo. Esto, unido a la disponibilidad de acceso a los cursos MOOC en cualquier momento y desde cualquier lugar en donde se tenga acceso a Internet, ha permitido crear una nueva comunidad global de estudiantes.

Los MOOCs de UPV[X] están diseñados para ayudarte a aprender trabajando a tu ritmo de forma independiente y proporcionarte el apoyo de la comunidad de aprendizaje si te hace falta.

Para ello los MOOCs están estructurados en módulos que suelen corresponder a una semana de trabajo (aunque no siempre es así). Los módulos se estructuran en lecciones con un vídeo, que dura normalmente entre 3 y 10 minutos, y una pregunta de refuerzo al final para ayudarte a fijar su contenido. Las lecciones están orientadas a tratar un concepto (o un número reducido de ellos) de forma que sean lo más atómicas que sea posible.

Los cursos MOOC de UPV[X] pueden tener distintos esquemas de evaluación, pero lo habitual es que al terminar cada módulo haya un examen (normalmente tipo test) que te permitirá comprobar tu evolución y fijar los conocimientos, y que cuenta en cierto porcentaje para la evaluación final. Con ello tendrás una realimentación frecuente de tu progreso que te permitirá ir mejorar tu proceso de aprendizaje.

Al acabar el MOOC habrá a un examen final para evaluar si has alcanzado los objetivos de aprendizaje que contará en un porcentaje mayor para la evaluación final.

En los MOOC también hay un foro de debate moderado por el equipo del curso donde los alumnos pueden consultar sus dudas sobre el contenido del curso y comentar aquellas cosas que les parezcan interesantes. El acceso a una comunidad online de internautas con tus mismos intereses y que están aprendiendo a la vez enriquece la experiencia del curso.

Esperamos sinceramente que disfrutes de nuestros MOOCs y aprendas con nosotros