Big data & IA
Sistemas de recomendación
Este Curso en Sistemas de recomendación introduce los sistemas de recomendación, un interesante repertorio de técnicas que proporcionan servicios inteligentes de personalización al usuario, en una variedad de aplicaciones en Internet: comercio online, turismo, entretenimiento, redes sociales, etc.
El curso se centra en explorar los diferentes paradigmas y modelos de recomendación, desde los algoritmos clásicos basados en contenido y en filtrado colaborativo, hasta los modelos híbridos y otros enfoques avanzados, pasando por las recomendaciones basadas en contexto. El papel central de los datos como combustible de estos sistemas es estudiado a lo largo de las clases. Además, se discuten las aplicaciones más emergentes, retos y cuestiones éticas que plantean los sistemas de recomendación.
Este curso forma parte del Master en Data Science y Big Data. Si quieres ampliar tu formación, consulta el programa completo.
Este curso forma parte del Máster en Data Science y Big Data.
Si quieres ampliar tu formación, consulta el programa completo.
Máster en Data Science y Big Data
a quién va dirigido
El Curso en Sistemas de recomendación proporciona formación específicamente orientada a los siguientes perfiles:
- Ingenieros que tengan por objetivo una actualización de sus conocimientos y el desarrollo de nuevas competencias dentro de la Inteligencia Artificial
- Programadores que tengan por objetivo ampliar sus conocimientos y capacidades en el mundo de la ciencia de datos para su desarrollo profesional
- Analistas de datos con experiencia que quieran dar el salto a los aspectos más profundos de la tecnología
QUÉ APRENDERÁS
Al finalizar el Curso en Sistemas de recomendación serás perfectamente capaz de:
- Saber identificar diferentes enfoques de algoritmos de recomendación y los tipos de datos de que estos se nutren.
- Sabe desarrollar y evaluar algoritmos sencillos de recomendación utilizando los conocimientos prácticos adquiridos de Machine Learning.
PLAN DE ESTUDIOS
Resumen
En esta primera clase nos centraremos en conocer bien qué son los sistemas de recomendación, su implicación en el uso de plataformas en la actualidad y el rol tan importante que juegan los datos en este contexto. Introduciremos los sistemas de recomendación desde un punto de vista taxonómico y el contexto de datos en el que nos moveremos desarrollando nuestros primeros modelos de recomendación basados en datos de forma sencilla.
Objetivos
Los objetivos para esta clase son:
- Contextualizar los sistemas de recomendación
- Su uso en el contexto de prestación de servicios en la era actual
- Conocer el léxico empleado y las distintas técnicas existentes
- Conocer los sistemas más básicos a emplear desde un punto de vista aplicado
Temario
- Personalización guiada por datos - Teoría
- Conceptualización y definición
- Arquitectura de los SR y Niveles de Personalización
- Otros tópicos para conocer
- Técnicas y ejemplos de SR - Popularidad, Contenidos e Híbridos
- Matriz de Utilidad
- Personalización creada por datos - Práctica
- Uso de Colab
- Primer intento de un SR
- Segundo intento de un SR
- Tercer intento de un SR - Parte
- Tercer intento de un SR - Parte 2
- Material complementario de clase
- Para complementar
Resumen
En esta segunda clase empezaremos a entender las complejidades a las que nos enfrentamos a la hora de realizar recomendaciones. En concreto veremos el rol que juega la información disponible de cara a caracterizar los gustos de los usuarios de forma colectiva, caracterizando comportamientos tipo y pudiendo así refinar nuestro sistema de recomendación. En esta clase se explorarán los filtros colaborativos basados en memoria y se introducirán modelos más complejos basados en modelos, haciéndonos eco de los problemas a los que se enfrenta cada tipología.
Objetivos
Los objetivos de esta clase son:
- Entender el rol del feedback en los filtros colaborativos
- Las tipologías de filtros y diferencias entre estos
- Conocer las problemáticas habituales asociadas a estos sistemas
Temario
- Filtrado Colaborativo - Teoría
- Bases del filtrado colaborativo
- CF Basado en modelos y Lecturas Recomendadas
- Filtrado Colaborativo - Práctica
- Iniciándonos en el Cálculo de Distancias
- Aplicando Pitágoras
- Redefiniendo nuestra función Pitagoras
- Generalizando el cálculo de distancias - Parte 1
- Generalizando el cálculo de distancias - Parte 2
- Creando funciones para el cálculo de distancias
- Usuarios más próximos
- Refinando nuestro cálculo de distancias
- Materiales complementarios a la clase
- Para complementar
Resumen
Una vez el alumno conoce las estructuras base de cómo podemos construir sistemas de recomendación y los retos que la construcción de estos puede suponer, se mostrarán las modalidades actuales en los que sistemas de aprendizaje automático y los sistemas híbridos juegan un papel crucial en un mercado tan competitivo al que se enfrentan los sistemas de recomendación. No solo desde el prisma técnico si no los retos y dilemas que pueden aflorar por el hecho de recomendar contenido, posicionar publicidad o sesgar los contenidos que le son mostrados a los usuarios con fines más allá de los meramente comerciales.
Objetivos
Los objetivos de esta clase son:
- Conocer las técnicas de aprendizaje automático más comunes en este campo
- Entender la estructura de los sistemas de recomendación híbridos
- Hacerse eco de los retos éticos y morales de los sistemas de recomendación
- Comprender otras métricas de similitudes a aplicar dentro de los sistemas de recomendación.
Temario
- Aplicaciones, tendencias y retos de los sistemas de recomendación - Teoría
- Aplicaciones de los SR y nuevas Técnicas
- Aplicaciones, tendencias y retos de los sistemas de recomendación - Práctica
- Repasando lo que hicimos hasta el momento
- Identificando el usuario más próximo -Parte 1
- Identificando el usuario más próximo -Parte 2
- Recomendando las películas al usuario de referencia - Parte 1
- Recomendando las películas al usuario de referencia - Parte 2
- Recomendando las películas al usuario de referencia - Parte 3
- Construyendo nuestro algoritmo de KNN - Parte 1
- Construyendo nuestro algoritmo de KNN - Parte 2
- Bonus Track - Recomendaciones para un nuevo usuario
- Materiales complementarios de la clase
- Para complementar
profesorado
aprende con los mejores expertos
OPINIONES del Curso en Sistemas de recomendación
Orlando Hernández Jiménez
Consultant, Data Scientist and Trainer in BI, ECM, BigData, ML & Blockchain
Todos los objetivos claros en combinación con dedicación y esfuerzo, darán un extraordinario y satisfactorio resultado. Así que a seguir con los siguientes objetivos #iebs.
Arantxa Martínez Capitán
Técnico BPO en Integra HCM
En el Postgrado en Business Intelligence & BD he trabajado con herramientas como Alteryx, RapidMiner, MySQL y Microsoft Power BI. Con ellas he ido encajando piezas hasta crear el puzle completo mediante el desarrollo de casos prácticos reales.
Juan Manuel Hernández Espinosa
Senior Petroleum Economist & Data Scientist
¡He disfrutado mucho este viaje! Un logro más, ahora es el momento de aplicar todos los aprendizajes y aprovecharlos en todos los aspectos profesionales!, Gracias IEBS Business School.
Roberto Esteves
Gerente General en Masapp
Solamente pasaba para compartirles un pequeño éxito, haber terminado el postgrado en el IEBS Business School en "Data Science y Machine Learning", esto me sirve para poder seguir dando mejores capacitaciones.
resumen
del Curso en Sistemas de recomendación
DURACIÓN
1 mes (40 horas)
INICIO
15 Enero
Modalidad
Online - Accesible 24/7
precio
510 U$S
incluye
Diploma IEBS y bolsa de empleo
valoración
4.9/5 de valoración por los alumnos
No enseñamos el futuro. Te ayudamos a crearlo.
FORMACIÓN RELACIONADA
Curso en Transformación digital: Inteligencia Artificial Generativa (genAI) y cloud computing
Curso en Estrategia Digital: Cómo lograr ventajas diferenciales con tecnología digital
Curso en IA Aplicada a Social Media
Curso en Aprende a desarrollar narrativas con ChatGPT
Curso en IA aplicada al Customer experience
Curso en Revolución Visual: crea productos Audiovisuales con IA Generativa y Runway