Imagen de cubierta local
Imagen de cubierta local
Imagen de Google Jackets

Aprendizaje activo para mejorar el arranque en frío de sistemas de recomendación / Luciano Silvi.

Por: Colaborador(es): Detalles de publicación: [S.l. : s.n. ], 2016.Descripción: iv, [40] h. : il. ; 30 cmTema(s): Recursos en línea: Disponible en línea.
Contenidos parciales:
Estructura de la tesis -- Sistemas de recomendación -- Aprendizaje activo sobre instancias -- Aprendizaje activo sobre características -- Arquitectura clásica de sistemas de recomendación -- Clustering -- Librerías y software utilizado -- Conjunto de datos -- Métricas de Evaluación -- Experimentos agregando preferencias (calificaciones) para un usuario -- Experimentos añadiendo usuarios -- Test de significación -- Conclusiones y trabajos futuros.
Nota de disertación: Tesis (Lic. en Ciencias de la Computación)--Universidad Nacional de Córdoba, Facultad de Matemática, Astronomía, Física y Computación, 2016. Resumen: Cuando un nuevo usuario hace uso de un sistema de recomendación, no se tiene suficiente información sobre sus preferencias para producir recomendaciones precisas. Este problema es conocido como "arranque en frío". Para lidiar con esta situación, se requiere de un tiempo de aprendizaje en el que el usuario provee una retroalimentación al sistema indicándole así sus preferencias. Pero esto trae aparejado un inconveniente: cuanto mayor demora suponga este proceso, mayor será la pérdida de tiempo tanto para el usuario como para el proveedor del servicio, además de ser una tarea generalmente tediosa. Es por eso que en este trabajo estudiaremos distintas aproximaciones con el objetivo de reducir el tiempo de aprendizaje del sistema, pero maximizando la utilidad de la información aportada por el usuario. Para ello nos enfocaremos en la aplicación de Aprendizaje Activo, un método de aprendizaje automático que nos ayudará a crear con mayor rapidez un perfil para el usuario en cuestión.Resumen: Every time a recommender system has a new user, it does not have enough information to generate recommendations with high precision, this is known as cold start. To deal with this problem, a feedback from the user is needed to know his preferences. This process usually takes a lot of time, which is not desired by neither of them, the user and the service provider. Adapting this problem to a classification problem allow us to apply Active Learning techniques that, as we will see, offer some methods to, given the less possible information about a new user, make right predictions with higher precision than the standard solutions applied in this situation.
Etiquetas de esta biblioteca: No hay etiquetas de esta biblioteca para este título.
Existencias
Tipo de ítem Biblioteca actual Signatura Copia número Estado Notas Fecha de vencimiento Código de barras Reserva de ítems
Trabajo Especial de Grado Trabajo Especial de Grado FaMAF Secc. Tesis y Trabajos especiales Trabajo Especial Computación CAJA 20 - 22597 1 Disponible Disponible también en línea 22597
Total de reservas: 0

Tesis (Lic. en Ciencias de la Computación)--Universidad Nacional de Córdoba, Facultad de Matemática, Astronomía, Física y Computación, 2016.

Bibliografía: h. 37-39.

Cuando un nuevo usuario hace uso de un sistema de recomendación, no se tiene suficiente información sobre sus preferencias para producir recomendaciones precisas. Este problema es conocido como "arranque en frío". Para lidiar con esta situación, se requiere de un tiempo de aprendizaje en el que el usuario provee una retroalimentación al sistema indicándole así sus preferencias. Pero esto trae aparejado un inconveniente: cuanto mayor demora suponga este proceso, mayor será la pérdida de tiempo tanto para el usuario como para el proveedor del servicio, además de ser una tarea generalmente tediosa.
Es por eso que en este trabajo estudiaremos distintas aproximaciones con el objetivo de reducir el tiempo de aprendizaje del sistema, pero maximizando la utilidad de la información aportada por el usuario. Para ello nos enfocaremos en la aplicación de Aprendizaje Activo, un método de aprendizaje automático que nos ayudará a crear con mayor rapidez un perfil para el usuario en cuestión.

Every time a recommender system has a new user, it does not have enough information to generate recommendations with high precision, this is known as cold start. To deal with this problem, a feedback from the user is needed to know his preferences. This process usually takes a lot of time, which is not desired by neither of them, the user and the service provider.
Adapting this problem to a classification problem allow us to apply Active Learning techniques that, as we will see, offer some methods to, given the less possible information about a new user, make right predictions with higher precision than the standard solutions applied in this situation.

Disponible en línea.

cc Bajo una Licencia Creative Commons Atribucion-NoComercial-CompartirIgual 2.5 Argentina. CC BY-NC-SA

https://creativecommons.org/licenses/by-nc-sa/2.5/ar/

Haga clic en una imagen para verla en el visor de imágenes

Imagen de cubierta local


Nuestras Redes Sociales

facebook Instagram

Horario de la Biblioteca: lunes a viernes de 8:30 a 18:30hs

Av. Medina Allende s/n , Ciudad Universitaria, Córdoba, Argentina

Tel: +54 351 5353701 int. 41127 (Atención al Público) int. 41151 (Dirección)

biblio@famaf.unc.edu.ar (Dirección)

publicofamaf@gmail.com (Atención al público)