Dans ce deuxième module, nous étudierons une nouvelle famille de techniques de filtrage collaboratif basées sur des approches de réduction de la dimensionnalité et de factorisation matricielle, toutes inspirées de la SVD (Singular Value Decomposition). Nous verrons la différence entre les systèmes de recommandation basés sur la mémoire et ceux basés sur le modèle, en discutant de leurs limites et de leurs avantages. En particulier, nous apprendrons comment transformer les algorithmes de factorisation matricielle de base basés sur la mémoire en approches basées sur le modèle. Nous analyserons également un nouveau paramètre important, le nombre de caractéristiques latentes. Nous apprendrons à choisir le bon nombre de caractéristiques latentes afin de fournir des recommandations personnalisées et de réduire le risque de surajustement des données historiques.

Dans ce troisième module, nous verrons comment combiner deux ou plusieurs algorithmes de base, tels que le filtrage collaboratif et les techniques basées sur le contenu, dans un système de recommandation hybride, afin d'améliorer la qualité des recommandations. Nous étudierons différentes approches d'hybridation, de la plus simple basée sur les heuristiques à la plus sophistiquée basée sur l'apprentissage automatique. Grâce aux techniques hybrides, nous serons en mesure d'enrichir l'entrée d'un système de recommandation collaboratif avec du contenu ou des informations contextuelles.

Dans ce quatrième et dernier module, nous présenterons une nouvelle technique avancée de filtrage collaboratif avec des informations secondaires, appelée Factorization Machine (FM), et nous verrons comment les données d'entrée doivent être représentées lors de l'utilisation de cette technique. Avec un seul modèle mathématique, basé sur la façon dont vous construisez le tableau d'entrée, nous serons en mesure de créer un simple algorithme de factorisation matricielle ou un algorithme sophistiqué de filtrage collaboratif avec des informations secondaires (contexte, attributs sur les articles ou attributs sur les utilisateurs). Nous discuterons également des avantages et des problèmes critiques des algorithmes basés sur la factorisation matricielle. À la fin du module, vous saurez comment utiliser les MF pour mélanger différents types de techniques de filtrage et comment équilibrer différents types d'informations d'entrée, en jouant avec les coefficients et les poids, afin de faire des prédictions meilleures et plus sophistiquées.

Le RecSys Challenge est le meilleur moyen de développer vos compétences : c'est un exercice pratique qui vous donne l'occasion de mettre en pratique et d'améliorer ce que vous avez appris pendant ce cours (apprentissage par la pratique). Le domaine d'application est un magasin en ligne, l'ensemble de données que nous fournissons contient 4 mois de transactions collectées à partir d'un supermarché en ligne. L'objectif principal de la compétition est de découvrir avec quel article un utilisateur va interagir. Le RecSys Challenge est optionnel et n'est pas nécessaire pour réussir le cours. Si vous le complétez, vous recevrez une mention "Honors" sur votre certificat de cours.