Construcción de Sistemas de Recomendación con Filtrado Colaborativo

¿Cómo saben las plataformas de streaming y los sitios de comercio electrónico exactamente lo que quieres ver o comprar a continuación? El filtrado colaborativo es la tecnología fundamental detrás de las recomendaciones personalizadas, aprovechando el comportamiento colectivo de los usuarios para predecir las preferencias individuales. En este curso escrito, pasarás de comprender las matemáticas básicas de la similitud a escribir código Python limpio y funcional que genera recomendaciones del mundo real. Obtendrás una comprensión sólida de cómo analizar el comportamiento del usuario, calcular puntuaciones de similitud y manejar desafíos comunes en los motores de recomendación. Lo que aprenderás: - Comprender los conceptos centrales del filtrado colaborativo usuario-usuario e ítem-ítem. - Calcular métricas de similitud, incluida la Similitud del Coseno y la Correlación de Pearson. - Implementar algoritmos de vecino más cercano utilizando bibliotecas modernas de análisis de datos de Python. - Abordar desafíos comunes de recomendación como el problema del arranque en frío y la escasez de datos. - Evaluar la precisión de tus modelos de recomendación utilizando métricas estándar de la industria. - Conectar los principios de filtrado colaborativo con conceptos modernos de recuperación basada en vectores. Comenzarás con las matemáticas fundamentales de la similitud, luego progresarás paso a paso implementando algoritmos, manejando casos extremos y midiendo el rendimiento. Cada concepto se refuerza con explicaciones escritas claras y fragmentos de código prácticos. Este curso está diseñado para aspirantes a científicos de datos, desarrolladores de software y mentes analíticas que son nuevos en los sistemas de recomendación. No se requiere experiencia previa en aprendizaje automático, aunque una familiaridad básica con Python es útil. Comienza a leer hoy y construye tu primer motor de recomendación personalizado desde cero.