Minicurso: Decifrando a Netflix -- como construir um modelo de recomendação de filmes
Responsável: Pedro Franklin Cardoso Silva
Resumo: Os sistemas de recomendação desempenham um papel fundamental ao ajudar usuários a descobrirem novos filmes séries, músicas e produtos que se alinham aos seus gostos pessoais. Neste minicurso, exploraremos os princípios fundamentais dos modelos de recomendação e como aplicá-los utilizando a linguagem de programação R.
Conteúdo do Minicurso:
1. Introdução aos Modelos de Recomendação:
Compreender a importância dos sistemas de recomendação na indústria do entretenimento e em outras áreas.
Explorar os diferentes tipos de sistemas de recomendação: filtragem colaborativa, filtragem baseada em conteúdo e híbridos.
2. Introdução ao R:
Breve visão geral da linguagem R e suas principais características.
Demonstração de como instalar pacotes e preparar o ambiente para análise de dados.
Noções básicas sobre criação de objetos; laços, manipulação de dados.
3. Modelo k-Nearest Neighbors (k-NN):
Exploração detalhada do modelo k-NN e como ele é usado para recomendação.
Entendimento do funcionamento do algoritmo, cálculo de distâncias entre itens e usuários.
Exemplos práticos de implementação do k-NN (vamos construir um modelo k-NN do zero!).
4. Construindo um Modelo de Recomendação de Filmes:
Passo a passo na construção de um modelo de recomendação de filmes do zero.
Coleta e preparação de dados: seleção de fontes de dados, limpeza e transformação dos dados.
Implementação de um recomendador de filmes utilizando o R.
Avaliação e ajuste do modelo.
Ao final deste minicurso, os participantes estarão equipados com um entendimento sólido dos modelos de recomendação e terão construído um modelo de recomendação de filmes funcional utilizando o R. Eles serão capazes de aplicar esses conhecimentos em diferentes contextos, desde a indústria do entretenimento até a personalização de experiências em plataformas online. Este minicurso proporcionará uma introdução valiosa ao mundo da análise de dados, aprendizado de máquina e recomendação, preparando os participantes para explorar ainda mais esse campo dinâmico.