Ministrantes: Marcelo Manzato e Arthur Fortes
Resumo: A pesquisa na área de sistemas de recomendação é amplamente focada em ajudar usuários individuais a encontrar itens nos quais estão interessados. Isso geralmente é feito aprendendo a classificar os itens recomendáveis com base na suposta relevância para cada usuário. O objetivo implícito subjacente de tal sistema é afetar os usuários de diferentes maneiras positivas, por exemplo, facilitando seus processos de pesquisa e decisão ou ajudando-os a descobrir coisas novas.
Conteúdo: Esse curso faz uma análise do campo dos sistemas de recomendação, incluindo conceitos relevantes, principais tecnologias, tendễncias de mercado e aplicação prática dos algoritmos mais conhecidos em bases reais. Nesse contexto, o curso será voltado para pontos promissores da pesquisa de sistemas de recomendação com foco em aplicações de mercado.
- Introdução aos Sistemas de Recomendação
- Conceitos de Sistemas de Recomendação
- Entidades
- Organização dos dados
- Principais abordagens
- Como avaliar um sistema de recomendação?
- Recomendação Não Personalizada
- O que fazer com a falta de informação de usuários e itens?
- Construindo rankings
- Algoritmos
- Filtragem colaborativa
- Usuário x Itens
- Abordagens baseadas em memória
- Abordagens baseadas em modelo
- Filtragem baseada em conteúdo
- Disposição dos Dados
- Como enriquecer os dados?
- Open Linked Data
- Algoritmos
- Aplicações reais de mercado
- Sistemas de busca de emprego
- Sistemas de e-commerce
- Conclusões
Referências:
- Recommender Systems: The Textbook, Charu C. Aggarwal. Springer, 2016.
- Recommender Systems Survey. J. Bobadilla, F. Ortega, A. Hernando, and A. GutiéRrez. -Based Systems. 2013.
- Building Recommender Systems with Machine Learning and AI: Help people discover new products and content with deep learning, neural networks, and machine learning recommendations. Frank Kane. Sundog Education. 2018
- Machine Learning: Make Your Own Recommender System. Oliver Theobald. Scatterplot Press. 2018
Mini CV:
Arthur da Costa Fortes é cientista de dados na empresa Cellere e professor de pós-graduação de inteligência artificial do Centro Universitário Facens. Possui graduação, mestrado e doutorado em Ciências da Computação pelo Centro de Ensino Unificado de Teresina (2012) e pela Universidade de São Paulo (2015 e 2019, respectivamente). Suas áreas de interesse incluem Deep Learning, Visão Computacional, Processamento de Linguagem Natural, Sistemas de Recomendação, Recuperação de Informação, Análise de Dados e Desenvolvimento Web.
Marcelo Garcia Manzato é Professor Associado do Instituto de Ciências Matemáticas e de Computação da Universidade de São Paulo. Possui Graduação em Ciências da Computação pela Universidade Estadual de Londrina, e Mestrado e Doutorado em Ciências de Computação e Matemática Computacional pela Universidade de São Paulo. Sua principal linha de pesquisa é Sistemas de Recomendação, com foco em Aprendizado de Máquina, Ciência de Dados, Processamento de Língua Natural e Multimídia.