Sistemas de Recomendación (Parte 1): Filtros Colaborativos | Clase 22 | Aprendizaje Profundo 2021
Ya has superado la mitad. Estás muy cerca de completar el curso.
Sobre esta lección
Con está clase comenzamos la última unidad del curso. Hablaremos de sistemas de recomendación, cómo entrenarlos, las características básicas de la tarea de recomendación, así como varias herramientas importantes en el diseño de estos sistemas. También discutiremos algunos de los modelos usados en sistemas de recomencación, sus fundamentos, sus limitaciones y los trucos matemáticos que existen para aguilizar el tiempo de cálculo. Esta clase es parte de un curso gratuito dictado en la Ciudad de Mendoza, Argentina en Otoño de 2021. Podés encontrar todo el material en https://datitos.github.io/curso-aprendizaje-profundo/2021/ ¿Qué es un sistema de recomendación? (0:00) ¿En que consisten la tarea de recomendación? (12:19) Factorización de matrices (17:32) Limitaciones de Factorización de Matrices (26:17) Datos explicitos e implicitos (33:26) AutoRec: Autoencoders para Recomendación (44:10) NeuralMF: Factorización con Redes Profundas(49:32) Maquinas de factorización (55:37)
Sobre este curso
https://datitos.github.io/curso-aprendizaje-profundo En los últimos cinco años el aprendizaje profundo ha tomado al mundo por sorpresa, impulsando un rápido progreso en campos tan diversos como la visión por computadora, el procesamiento del lenguaje natural, el reconocimiento automático del habla, el aprendizaje por refuerzos y el modelado estadístico. Hemos elegido basar el curso en el libro Dive into Deep Learning, consideramos que ofrece un enfoque práctico, amplio y moderno, incluye matemáticas y código, y sus contenidos son actuales. Este curso representa nuestro intento de hacer que el aprendizaje profundo sea accesible, enseñándote los conceptos, el contexto y el código. Nos propusimos crear un recurso que simultáneamente pudiera: * estar disponible gratuitamente para todes; * ofrecer suficiente profundidad técnica para * proporcionar un punto de partida en el camino de convertirte en unx científicx de datos; * incluir código ejecutable, que muestre cómo resolver problemas en la práctica. El curso está dirigido a estudiantes de grado o posgrado, ingenierxs e investigadores que busquen un conocimiento sólido del aprendizaje profundo.
Lo que aprenderás en este curso:
- Comprender los fundamentos del aprendizaje automático
- Implementar algoritmos de clasificación y regresión
- Preparar y limpiar datos para modelos predictivos
- Evaluar y optimizar modelos de machine learning