Introducción a los sistemas de recomendación. Introducción de la problemática, ejemplos de la
industria. “The Netflix Prize”.
Recolección de datos. ¿Qué es el comportamiento de un usuario y cómo recolectarlo? Monitoreo
del sistema.
Algoritmos de recomendación clásicos. Filtrado basado en contenido. Filtrado colaborativo.
Evaluación y validación del sistema.
Enfoques híbridos. Factorización de matrices (Descomposición SVD Incompleta). Regularización.
Ranking.
Cold Start Problem. Exploración, Interpretabilidad. Casos prácticos.
BIBLIOGRAFÍA
● Falk, Kim. Practical Recommender Systems. Manning Publications Co., 2019.
● Aggarwal, Charu C. Recommender systems: The Textbook. Cham: Springer International
Publishing, 2016.
● Recommender Systems in Practice. Houtao Deng.
(https://towardsdatascience.com/recommender-systems-in-practice-cef9033bb23a)
CANTIDAD DE HORAS
● Presenciales: 16 horas.
● Virtuales: 8 horas.
MODALIDAD DE EVALUACIÓN
Se evaluará mediante la presentación de dos trabajos prácticos, donde los alumnos harán uso de
la suite Jupyter y frameworks de sistemas de recomendación para Python para la
implementación práctica de los contenidos vistos en la materia. El primer trabajo práctico se
centrará en el uso de algoritmos de recomendación clásicos para problemas preestablecidos. El
segundo trabajo consistirá en la presentación mediante una competencia Kaggle donde tendrán
que realizar un trabajo de preprocesamiento y el uso de técnicas avanzadas para lograr los
mejores resultados.