Sistemas de recomendação em ruby
Transferir como PPTX, PDF2 gostaram1,243 visualizações
O documento apresenta um resumo sobre sistemas de recomendação em Ruby. Ele discute os principais tipos de sistemas de recomendação, como content-based e collaborative filtering, e ferramentas em Ruby como SciRuby. Também aborda métricas como precisão e recall para avaliar desempenho de algoritmos de recomendação.
![Content-based filtering
Baseado em conteúdos dos itens, verifica a
semelhança .
Algoritmos mais comuns são: tf-idf (term
frequency–inverse document frequency), a
Correlação de Pearson - mede a correlação
entre duas variáveis X e Y numa faixa [-1] ~ [1]](https://image.slidesharecdn.com/sistemasderecomendaoemruby-150304104659-conversion-gate01/85/Sistemas-de-recomendacao-em-ruby-4-320.jpg)
Sistemas de recomendação em ruby
- 1. Sistemas de recomendação em Ruby Daniel Lopes
- 2. Agenda - Tipos de Sistemas - Gems Ruby - Performance - Métricas - Referências
- 3. Tipos de recomendação - Content-based filtering (Baseadas em conteúdo dos itens) - Collaborative filtering (Baseadas em usuarios) - Hibridas
- 4. Content-based filtering Baseado em conteúdos dos itens, verifica a semelhança . Algoritmos mais comuns são: tf-idf (term frequency–inverse document frequency), a Correlação de Pearson - mede a correlação entre duas variáveis X e Y numa faixa [-1] ~ [1]
- 5. Collaborative filtering Baseado nos usuários, verifica a semelhança entre eles e procura a similaridade entre eles. Algoritmo mais comum é o: k-NN (k vizinhos mais próximos) procura o vizinho mais próximo
- 6. Ferramentas em Ruby Como o ruby tem menos tradição científica, como python, há menos gems :( SciRuby (http://sciruby.com/) :) Tools for Scientific Computing in Ruby
- 7. Performance do dataset/algoritmo - MSE (root mean square) Calcula o valor eficaz de uma função variável continua ou uma série discreta, MSE = 0 indica simulação perfeita. - RMSE (root-mean-square error) apresenta valores do erro nas mesmas dimensões da variável analisada.
- 8. Métrica - Presição: Mede o acerto das recomendações. precisao=tp/(tp+fp) - Recall: quantidade de itens de interesse do usuário que aparecem na lista de recomendações. recall=tp/(tp+fn)
- 9. Referências Recommender Systems with Ruby http://pt.slideshare.net/marcelcaraciolo/recomm ender-systems-with-ruby-adding-machine- learning-statistics-etc Big Data, Data Mining, and Machine Learning, Jared Dean, 2014
- 10. Obrigado! Daniel Lopes Engenheiro em Computação @dannyeuu daniel@bankfacil.com.br about.me/dannyeuu Junte-se a nós bankfacil.com.br/dev