Curso libreInteligencia artificial y datos
Sistemas de recomendación
El curso Sistemas de recomendación proporciona al estudiante los métodos para construir sistemas que recomiendan productos o contenidos con filtrado basado en contenido, filtrado colaborativo, factorización de matrices y embeddings. Le sirve para aumentar las ventas cruzadas y la relevancia de plataformas digitales, resolviendo el arranque en frío y midiendo resultados con métricas de ranking.
A quién va dirigido
Personas con Python y conocimientos básicos de aprendizaje automático.
Objetivos
✓Comprender la retroalimentación explícita e implícita, la matriz usuario-ítem y las recomendaciones por popularidad.
✓Analizar perfiles de ítems y usuarios con TF-IDF, embeddings y similitud del coseno.
✓Aplicar vecinos más cercanos y factorización de matrices sobre el conjunto MovieLens y combinarlos en modelos híbridos.
✓Diseñar un recomendador para un caso de negocio que resuelva el arranque en frío y se valide con pruebas A/B.
✓Evaluar recomendadores con precisión@k, recall@k, cobertura, diversidad y novedad, considerando burbujas de filtro y equidad.
Plan de estudios por sesión
1
Fundamentos de recomendaciónRetroalimentación explícita e implícita y matriz usuario-ítem · Recomendaciones por popularidad y casos en comercio electrónico y contenido
2
Recomendación basada en contenidoPerfiles de ítems con TF-IDF y embeddings y similitud del coseno · Perfiles de usuario y arranque en frío
3
Filtrado colaborativoVecinos más cercanos entre usuarios e ítems y factorización de matrices · Conjunto MovieLens y modelos híbridos
4
Presentación del proyecto final: recomendador híbrido de productosPrecisión@k, recall@k, cobertura, diversidad y novedad · Pruebas A/B y burbujas de filtro y equidad
Evaluación
Inicial30%Construcción de la matriz usuario-ítem de un caso y recomendador base por popularidad.
Intermedio30%Recomendador basado en contenido con similitud del coseno y filtrado colaborativo sobre MovieLens.
Final40%Proyecto final: recomendador híbrido para un comercio simulado con evaluación mediante métricas de ranking, con sustentación.
Proyecto final
Recomendador de productos para un comercio simulado con enfoque híbrido y evaluación con métricas de ranking.