Séance de cours
Cette séance de cours couvre le concept de factorisation matricielle, en mettant l'accent sur les techniques d'optimisation utilisées pour corriger les lacunes dans les systèmes de recommandation. Il explique le processus consistant à dériver des facteurs latents, à calculer la similitude entre les éléments et les défis liés à la factorisation matricielle de base. La séance de cours présente également SLIM (Sparse Linear Methods) comme une approche alternative aux relations item-item directement. On discute des méthodes d'évaluation telles que l'erreur carrée moyenne de racine (RMSE) et les voisins k-Nearest Neighbors (kNN), ainsi que de l'importance de la régularisation pour éviter les surajustements. La séance de cours se termine par une discussion sur l'approche bayésienne du classement personnalisé et l'évolution des systèmes de recommandation.