Formation en systèmes de recommandation

Leçon 1 • Valeur Métier et Cas d'Utilisation

Examine comment les recommandations stimulent l'engagement, les revenus et la rétention. Relie les choix de conception système aux résultats métier mesurables.

Leçon 2 • Taxonomie des Approches de Recommandation

Passe en revue les paradigmes collaboratif, basé sur le contenu et hybride à un niveau élevé. Fournit une carte mentale pour organiser toutes les techniques abordées plus tard.

Leçon 3 • Le Problème de Recommandation Défini

Définit la tâche centrale de faire correspondre les utilisateurs aux éléments sous incertitude. Établit le vocabulaire utilisé tout au long du cours.

Leçon 4 • Paysage des Données pour les Recommandations

Identifie les types de données qui alimentent les systèmes de recommandation. Prépare les étudiants à évaluer la disponibilité des données dans des projets réels.

Leçon 1 • Nettoyage et Normalisation des Données

Supprime le bruit, les doublons et les valeurs aberrantes qui faussent l'entraînement du modèle. Introduit des techniques de normalisation qui améliorent la comparabilité des évaluations entre les utilisateurs.

Leçon 2 • Construction de la Matrice Utilisateur-Élément

Transforme les journaux bruts en une matrice d'interaction structurée. Aborde la parcimonie, qui est le défi principal des données de filtrage collaboratif.

Leçon 3 • Collecte des Données d'Interaction Utilisateur

Couvre les stratégies d'instrumentation pour capturer les clics, les évaluations et le temps d'attention. Relie la qualité des données au moment de la collecte à la précision en aval du modèle.

Leçon 4 • Ingénierie des Caractéristiques pour les Éléments et les Utilisateurs

Crée des caractéristiques dérivées à partir des métadonnées et du comportement pour les modèles basés sur le contenu et hybrides. Fait le pont entre les attributs bruts et les représentations exploitables par le modèle.

Leçon 1 • Métriques de Similarité pour les Voisinages

Introduit les similarités cosinus, de Pearson et de Jaccard pour les voisinages d'utilisateurs et d'éléments. Construit l'intuition pour choisir les métriques en fonction du type de données.

Leçon 2 • Fondamentaux de la Factorisation Matricielle

Décompose la matrice d'interaction en facteurs latents d'utilisateurs et d'éléments. Introduit la SVD et ses approximations pratiques pour les données parcimonieuses.

Leçon 3 • Gestion du Démarrage à Froid dans le Filtrage Collaboratif

Aborde le problème du nouvel utilisateur et du nouvel élément dans les paradigmes collaboratifs. Introduit des stratégies de repli et des ponts hybrides.

Leçon 4 • Filtrage Collaboratif Basé sur l'Utilisateur

Génère des prédictions en agrégeant les évaluations d'utilisateurs similaires. Couvre la sélection des voisins, la pondération et les formules de prédiction.

Leçon 5 • Filtrage Collaboratif Basé sur l'Élément

Déplace le calcul de similarité vers l'espace des éléments pour une plus grande stabilité. Explique pourquoi les méthodes basées sur les éléments surpassent souvent celles basées sur l'utilisateur à grande échelle.

Leçon 1 • Recommandation Basée sur la Similarité

Classe les éléments candidats par similarité avec le vecteur du profil utilisateur. Relie les métriques de similarité du Chapitre 3 au contexte basé sur le contenu.

Leçon 2 • Forces et Limitations du Filtrage Basé sur le Contenu

Évalue de manière critique où les méthodes basées sur le contenu excellent et où elles échouent. Motive les approches hybrides introduites dans le chapitre suivant.

Leçon 3 • Représentation des Éléments et Espaces de Caractéristiques

Convertit les attributs des éléments en représentations vectorielles adaptées au calcul de similarité. Établit l'espace de caractéristiques qui pilote la correspondance basée sur le contenu.

Leçon 4 • Recommandation Basée sur le Texte avec le Traitement du Langage Naturel

Applique le traitement du langage naturel pour extraire des caractéristiques sémantiques à partir des descriptions d'éléments. Permet des recommandations basées sur le contenu textuel au-delà des mots-clés.

Leçon 1 • Patrons de Conception Hybrides

Catalogue les stratégies hybrides de commutation, pondérées, mixtes et en cascade. Fournit un cadre de décision pour choisir le bon patron par cas d'utilisation.

Leçon 2 • Recommandation Contextuelle

Incorpore le contexte de temps, de lieu et d'appareil dans les modèles hybrides. Montre comment les signaux contextuels modifient la pertinence de la recommandation.

Leçon 3 • Méthodes Ensemblistes pour le Classement

Applique le bagging, le boosting et le stacking pour combiner les sorties des classeurs. Démontre des gains de précision par rapport aux modèles de base uniques.

Leçon 4 • Machines de Factorisation

Introduit les machines de factorisation comme un modèle unifié pour les interactions de caractéristiques parcimonieuses. Couvre l'équation FM et son extension aux interactions d'ordre supérieur.

Leçon 1 • Limitations de l'Évaluation Hors Ligne

Explique pourquoi les métriques hors ligne échouent souvent à prédire les performances en ligne. Fait le pont avec les méthodes d'évaluation en ligne abordées dans les chapitres ultérieurs.

Leçon 2 • Au-delà de la Précision : Diversité et Nouveauté

Mesure la diversité des listes, la nouveauté et la sérendipité comme compléments à la précision. Motive l'évaluation multi-objectifs dans les systèmes de production.

Leçon 3 • Métriques de Classement et Top-N

Introduit la précision, le rappel, le NDCG et la MAP pour évaluer les listes classées. Relie le choix de la métrique à l'objectif métier de faire apparaître des éléments pertinents.

Leçon 4 • Métriques de Précision pour la Prédiction d'Évaluations

Couvre le RMSE, le MAE et leurs variantes pour évaluer les évaluations prédites. Explique quand chaque métrique est appropriée et comment interpréter les différences.

Leçon 1 • Autoencodeurs pour le Filtrage Collaboratif

Utilise des réseaux encodeur-décodeur pour reconstruire des vecteurs d'évaluation parcimonieux. Couvre les autoencodeurs débruitants comme stratégie de régularisation.

Leçon 2 • Modèles Basés sur les Séquences et les Sessions

Modélise le comportement de l'utilisateur comme une séquence pour capturer l'intention à court terme. Introduit les RNN, les GRU et les mécanismes d'attention pour la recommandation de session.

Leçon 3 • Réseaux de Neurones Graphiques pour les Recommandations

Représente les utilisateurs et les éléments comme des nœuds dans un graphe bipartite pour le passage de messages. Capture les signaux collaboratifs d'ordre supérieur au-delà des interactions directes.

Leçon 4 • Filtrage Collaboratif Neuronal

Remplace l'interaction par produit scalaire par un perceptron multicouche pour une modélisation utilisateur-élément plus riche. Démontre des gains de précision par rapport à la factorisation matricielle classique.

Leçon 1 • Tests A/B et Expérimentation en Ligne

Conçoit des expériences contrôlées en ligne pour mesurer l'impact des recommandations. Couvre la répartition du trafic, les métriques de garde-fou et la durée de l'expérience.

Leçon 2 • Récupération et Classement en Deux Étapes

Sépare la génération de candidats du classement fin pour le passage à l'échelle. Explique comment chaque étape optimise différents objectifs sous contraintes de latence.

Leçon 3 • Surveillance du Modèle et Détection de Dérive

Suit les performances du modèle et les déplacements de la distribution des données en production. Établit des déclencheurs d'alerte et de réentraînement pour maintenir la qualité des recommandations.

Leçon 4 • Passage à l'Échelle et Patrons d'Infrastructure

Aborde le passage à l'échelle horizontal, les pipelines batch vs. temps réel et l'optimisation des coûts. Prépare les étudiants à prendre des décisions d'infrastructure pour les systèmes à grande échelle.