No hay comentarios.

CURSO:SISTEMAS RECOMENDADORES
TRADUCCION:RECOMMENDER SYSTEMS
SIGLA:MAN3160
CREDITOS:05 UC
HORAS:90 HORAS DE DEDICACION TOTAL: 24 DIRECTAS Y 66 INDIRECTAS (2 MODULOS)
CARACTER:OPTATIVO
TIPO:CATEDRA Y TALLER
CALIFICACION:ESTANDAR
PALABRAS CLAVE:SISTEMAS RECOMENDADORES,PERSONALIZACION, APRENDIZAJE AUTOMATICO,INTELIGENCIA ARTIFICIAL,RECUPERACION DE INFORMACION
NIVEL FORMATIVO:MAGISTER


I.DESCRIPCIÓN DEL CURSO

Los sistemas recomendadores tienen como objetivo ayudar a un usuario o a grupos de usuarios a filtrar y descubrir informacion relevante, de manera personalizada, desde grandes volumenes de datos. En este curso, los estudiantes estudiaran los principales algoritmos usados para generar recomendaciones, las fuentes de datos usadas por dichos algoritmos, y diversas formas de evaluar la calidad de un sistema recomendador. El curso se desarrollara a traves de videos y algunas lecturas, asi como con evaluaciones incrementales con alternativas, y con evaluaciones practicas donde deben programar en lenguaje Python.


II.RESULTADOS DE APRENDIZAJE

1.Distinguir los principales algoritmos y fuentes de datos usados para recomendaciones personalizadas y no personalizadas.

2.Analizar algoritmos de recomendacion existentes identificando sus fortalezas y debilidades.

3.Implementar los distintos componentes de un sistema recomendador.

4.Interpretar las distintas formas de evaluacion de un sistema recomendador.

5.Evaluar un sistema recomendador usando diversas metricas.


III.CONTENIDOS

1.UNIDAD 1: Filtrado Colaborativo y Factorizacion Matricial
1.1.Contexto, historia, clasificacion de recomendadores
1.2.Recomendaciones no personalizadas
1.3.Filtrado colaborativo (collaborative filtering) y SlopeOne
1.4.Reduccion de dimensionalidad y factorizacion matricial via SVD
1.5.Aplicaciones iniciales de factorizacion matricial en recomendaciones
1.6.Factorizacion matricial con regularizacion para prediccion de ratings (FunkSVD)

2.UNIDAD 2: Evaluacion y Metodos de Retroalimentacion Implicita
2.1.Metricas de calidad basadas en reduccion de error de prediccion
2.2.Metricas inspiradas en tecnicas de recuperacion de informacion y ranking
2.3.Dimensiones de evaluacion segun relevancia, novedad, diversidad
2.4.Informacion de preferencias explicitas versus implicitas
2.5.Filtrado colaborativo para datasets de informacion implicita (ALS)
2.6.Ranking Personalizado Bayesiano (BPR)

3.UNIDAD 3: Filtrado basado en contenido, hibridos y ensambles
3.1.FIltrado basado en contenido para texto usando tf-idf
3.2.FIltrado basado en contenido para texto usando modelos de topicos
3.3.FIltrado basado en contenido para imagenes
3.4.Tecnicas para sistemas hibridos de recomendaciones
3.5.Ensambles de recomendadores

4.UNIDAD 4: Recomendacion sensible al contexto y centrada en el usuario
4.1.Definicion de contexto en recomendacion y aplicaciones
4.2.Pre y post filtrado para recomendacion sensible al contexto
4.3.Sistemas de recomendacion sensibles al contexto basados en modelos
4.4.Explicabilidad en sistemas de recomendacion
4.5.Evaluacion de recomendaciones centrada en el usuario (ResQue y Knijnenburg)
4.6.Etica en sistemas de recomendacion: justicia, responsabilidad y transparencia


IV.ESTRATEGIAS METODOLOGICAS

-Catedra en sesiones sincronicas.

-Videoclases.

-Podcast o video tutorial.

-Discusion de casos.

-Lecturas.

-Analisis de casos.

-Test formativos.

-Foros de discusion.


V.ESTRATEGIAS EVALUATIVAS

-Controles: 20%

-Tareas: 50%

-Foro: 10%

-Trabajo final: 20%

-El curso contendra ademas actividades formativas (sin calificacion), las que tienen como proposito la preparacion para las evaluaciones calificadas.


VI.BIBLIOGRAFIA

Minima

Ricci, F.,Rokach, L.,Shapira, B.,Kantor,P.Recommender Systems Handbook. Springer,2011.

Jannach, D., Zanker, M., Felfernig,A. Recommender Systems:An Introduction.Cambridge University Press,2010


Complementaria

Goodfellow,I., Bengio,Y.,Courville, A. Deep Learning,MIT Press,2016

Parra,D., Sahebi,S. Recommender Systems: Sources of Knowledge and Evaluation Metrics.Springer,2012.

Bennett, J., L."The netflix prize?.Proceedings of KDD cup and workshop.2007.

MacNee, S. Konstan, J. Riedl, J.?Being accurate is not enough: how accuracy metrics have hurt recommender systems?.Paper presented at the CHI '06 extended abstracts on Human factors in computing systems,New York,NY,USA


PONTIFICIA UNIVERSIDAD CATOLICA DE CHILE
FACULTAD DE INGENIERIA / MARZO 2022