Imprimir

Programa

CURSO:SISTEMAS RECOMENDADORES	 
TRADUCCION:RECOMMENDER SYSTEMS
SIGLA:INF3863
CREDITOS:05 
MODULOS:02	
CARACTER:OPTATIVO
TIPO:CATEDRA,LABORATORIO
CALIFICACION:ESTANDAR
DISCIPLINA:INGENIERIA,COMPUTACION
PALABRAS CLAVE:COMPUTACION,INTELIGENCIA,ARTIFICIAL,CIENCIA,DATOS,SISTEMAS,RECOMENDADORES


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 alumnos estudiaran los principales algoritmos usados para generar recomendaciones, las fuentes de datos usadas por dichos algoritmos, diversas formas de evaluar la calidad de un sistema recomendador, ademas de areas de investigacion presente y desafios a futuro de estos sistemas. 


II.RESULTADOS DE APRENDIZAJE 

1.Distinguir los principales algoritmos y fuentes de datos usados para generar recomendaciones.

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

3.Dise?ar e implementar los distintos componentes de un sistema recomendador. 

4.Identificar las distintas formas de evaluacion de un sistema recomendador para escoger los factibles de implementar. 

5.Evaluar un sistema recomendador usando diversas metricas y la factibilidad de su implementacion. 

6.Describir problemas eticos y de privacidad en el manejo de datos.


III.CONTENIDOS

1.Datos usados para generar recomendaciones: 
1.1.Preferencias basadas en retroalimentacion explicita, 
1.2.Preferencias implicitas, 
1.3.Informacion de ubicacion, 
1.4.Informacion temporal, 
1.5.Redes sociales.

2.Metodos de recomendacion
2.1.Recomendaciones no personalizadas 
2.2.Filtrado colaborativo (collaborative filtering), 
2.3.Recomendacion basada en contenido, 
2.4.Recomendacion basada en contexto, 
2.5.Metodos hibridos. 
2.6.Metodos basados en reduccion de dimensionalidad (SVD).

3.Evaluacion de Sistemas Recomendadores
3.1.Metricas de calidad basadas en reduccion de error de prediccion, 
3.2.Metricas inspiradas en tecnicas de recuperacion de informacion y ranking, 
3.3.Dimensiones de evaluacion segun relevancia, novedad, diversidad, 
3.4.Modelos de evaluacion centrada en el usuario. 

4.Metodos Avanzados de Recomendacion
4.1.Aprender a Rankear (Learning to Rank)
4.2.Redes Neuronales Profundas (Deep Neural Networks) 
4.3.Aprendizaje Reforzado (Bandits)

5.Particularidades de diversos dominios de recomendacion
5.1.Peliculas, 
5.2.Musica, 
5.3.Marcadores sociales (Social Tagging), 
5.4.Contactos en redes sociales, 
5.5.Recomendaciones a grupos.


IV.ESTRATEGIAS METODOLOGICAS

-Clases expositivas.

-Talleres practicos de Laboratorio.

-Aprendizaje basado en proyectos. 


V.ESTRATEGIAS EVALUATIVAS

-Controles: 30%

-Actividades practicas en laboratorio: 30%

-Proyecto: 40%


VI.BIBLIOGRAFIA 

Minima 

Ricci, F., Rokach, L., Shapira, B., Kantor, P. Recommender Systems Handbook. Springer, 2015. DOI: 10.1007/978-1-4899-7637-6

Agarwal, Deepak K., and Bee-Chung Chen. Statistical methods for recommender systems. Cambridge University Press, 2015.

Jannach, Dietmar, Markus Zanker, Alexander Felfernig, and Gerhard Friedrich. Recommender systems: an introduction. Cambridge University Press, 2010. ISBN: 9780521493369


Complementaria 

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

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

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


PONTIFICIA UNIVERSIDAD CATOLICA DE CHILE 
ESCUELA DE INGENIERIA / ENERO 2020