Download
1 / 20
200 likes | 490 Views
AFI Restaurantes. “Sistema de predicción y recomendación personalizada basada en ranking de ítems homogéneos usando filtrado colaborativo”. Luis Alejandro Díaz Viejó Fausto Daniel Ruiz Moncayo Hugo Iván Chang Miranda. Agenda. Introducción AFI Restaurantes Fundamentos
E N D
AFI Restaurantes “Sistema de predicción y recomendación personalizada basada en ranking de ítems homogéneos usando filtrado colaborativo” Luis Alejandro Díaz Viejó Fausto Daniel Ruiz Moncayo Hugo Iván Chang Miranda
Agenda • Introducción • AFI Restaurantes • Fundamentos • Representación del modelo • Optimización del modelo • Modelo de la solución • Demostración • Conclusiones y recomendaciones
IntroducciónEscenario actual • Oferta de objetos culturales (libros, películas, restaurantes, etc.) dinámica y extensa. • Brecha entre la cantidad y calidad. • No se encuentra lo que es de nuestro interés.
Introducción Problema • Y hoy, ¿ dónde iré a comer? • ¿Qué lugar que no conozco será de mi agrado? • ¿Qué tan bueno será el lugar que me han recomendado?
Introducción Solución cotidiana • Tomar decisiones basado en opiniones. • Personas o grupos de confianza. • Factor único que nos estimulan a consumir. ¿Cumple esto nuestras expectativas?
Agenda • Introducción • AFI Restaurantes • Fundamentos • Representación del modelo • Optimización del modelo • Modelo de la solución • Demostración • Conclusiones y recomendaciones
AFI RestaurantesSistema de predicción y recomendación • Respuesta tecnológica a la solución cotidiana. • Conocimiento de consumidores concentrado en un sólo lugar. • Acceso rápido a información relevante (opinión de consumidores).
AFI RestaurantesFundamentos • Tareas de minería de datos: • Clasificación (tarea predictiva) • Clusterización (tarea descriptiva) • Métodos de minería de datos: • Filtrado colaborativo. • Análisis de clústeres. • Técnicas estadísticas complementarias: • Prueba F • Algoritmo de Fisher
AFI RestaurantesOptimizando desempeño Grupos “G1,G2,….Gk” Usuarios “U1,U2,…Un”
AFI RestaurantesModelo de la solución Usuario objetivo Algoritmo de Fisher Grupo “i” Obtención de pronósticos Grupo “i”+Usuario objetivo Algoritmo KNN(filtrado colaborativo) Recomendación Predicción
Agenda • Introducción • AFI Restaurantes • Fundamentos • Representación del modelo • Optimización del modelo • Modelo de la solución • Demostración • Conclusiones y recomendaciones
Agenda • Introducción • AFI Restaurantes • Fundamentos • Representación del modelo • Optimización del modelo • Modelo de la solución • Demostración • Conclusiones y recomendaciones
AFI RestaurantesConclusiones • Retos de escalabilidad fueron tratados. • Un simple historial o repositorio de datos, se vuelve información de relevancia para tomar decisiones. • Potencial comercial: poder ayudar a dirigir mejor el uso de recursos de publicidad y promociones.
AFI RestaurantesRecomendaciones • Buen diseño, teoría y mejores prácticas. • Modelo y guía de referencia CRISP-CM, estándar para la administración de proyectos de minería de datos. • Herramientas y algoritmos optimizados. • Paralelismo o hilos (threads) en los procesos del análisis de conglomerados.
