Fundamentos de Sistemas de Recomendación: No Personalizados y Basados en Contenido

Descubre cómo las plataformas modernas sugieren los productos, artículos y medios adecuados a sus usuarios. Este curso basado en texto introduce la mecánica fundamental detrás de los sistemas de recomendación, comenzando desde lo más básico. Pasarás de comprender los conceptos centrales de recomendación a implementar algoritmos de filtrado no personalizados y basados en contenido. Adquirirás las habilidades para analizar conjuntos de datos, calcular asociaciones de productos y aprovechar representaciones de texto modernas para ofrecer sugerencias relevantes. Lo que aprenderás: - Comprender la terminología central, el valor comercial y los patrones arquitectónicos de los motores de recomendación - Calcular recomendaciones no personalizadas utilizando estadísticas resumidas y estereotipos demográficos - Implementar reglas de asociación de productos para sugerir artículos comprados juntos con frecuencia - Construir sistemas de filtrado basado en contenido utilizando metadatos de artículos y perfiles de usuario - Aplicar la vectorización de texto moderna y las métricas de similitud de coseno para hacer coincidir las preferencias del usuario con el contenido - Evaluar el rendimiento y los posibles sesgos de diferentes estrategias de recomendación El curso te guía paso a paso a través de la teoría fundamental, fórmulas matemáticas e implementaciones prácticas de código. Leerás explicaciones claras y trabajarás en ejercicios escritos diseñados para solidificar tu comprensión de la lógica de recomendación. Este curso está diseñado para aspirantes a profesionales de datos, desarrolladores de software y mentes analíticas que son nuevos en los sistemas de recomendación. No se requiere experiencia previa en machine learning, aunque una familiaridad básica con Python y conceptos de datos es útil. Comienza a construir experiencias de usuario más inteligentes y basadas en datos hoy mismo.