Sistemas de recomendación con machine learning

Curso

Sistemas de recomendación con machine learning

Facultad de Economía
Inicio / Programas / Sistemas de recomendación con machine learning

Sistemas de recomendación con machine learning

¿Le interesa saber cómo compañías como las empresas como Netflix, Spotify, YouTube, Mercado Libre, generan las recomendaciones en sus páginas web? 

Netflix, por ejemplo, 80% de la actividad es genera por recomendaciones personalizadas, mientras que para YouTube es alrededor del 70%. Estos sistemas que generan recomendaciones personalizadas llevaron a un crecimiento medible en la participación de los usuarios y también ayudaron a disminuir la rotación de clientes.

Las clases tendrán una parte teórica y otra práctica. En la parte teórica se introducirán los conceptos teóricos fundamentales, mientras que en la parte práctica se implementarán estos conceptos utilizando el software abierto Python.

Al finalizar el curso el estudiante habrá adquirido los conocimientos teóricos y prácticos sobre los distintos algoritmos provenientes del aprendizaje de máquinas para generar recomendaciones relevantes y precisas de productos. El estudiante aprenderá también cómo manipular en Python información proveniente de múltiples fuentes de información que incluyen valoraciones de productos, comentarios en texto y patrones de geolocalización para generar recomendaciones personalizadas.


Dirigido a

Este curso está dirigido a personas que se relacionan o trabajan con el análisis de datos. Profesionales de programas cuantitativos (ingenierías, economía, matemáticas, administración, entre otras), y profesionales de cualquier disciplina que se encuentren interesados en el uso de herramientas de analytics, minería de datos y aprendizaje de máquinas. Este curso también es para todas aquellas personas que se desempeñan como analistas de datos en e-commerce o realizan consultoría empresarial.

Objetivos

Al finalizar el curso el estudiante estará en capacidad de:

• Reconocer las características, usos, ventajas y desventajas de los distintos algoritmos de machine learning para generar recomendaciones precisas y relevantes a los usuarios.

• Identificar situaciones pertinentes para el uso de los distintos algoritmos de aprendizaje de máquinas para generar sistemas de recomendación colaborativos, basados en contenidos y en información geográfica.

• Evaluar e interpretar los resultados de los distintos algoritmos de machine learning para generar recomendaciones precisas y relevantes a los usuarios.

• Identificar, procesar, y organizar datos tabulares para la implementación de algoritmos de recomendación colaborativos.

• Identificar, procesar, y organizar texto escrito para la implementación de algoritmos de recomendación basados en contenido.

• Identificar, procesar, y organizar datos espaciales para la implementación de algoritmos de recomendación basados en geografía.

Metodología

Se realizará de manera virtual con sesiones sincrónicas de 2 horas de duración. Este es un curso aplicado, por lo que las clases se desarrollarán en un formato magistral-taller, donde se intercalarán los conceptos teóricos junto a la implementación práctica en el software abierto Python para resolver problemas del mundo real.

Se espera que los participantes tengan experiencia básica en manejo de datos y en Python. Para sacarle mejor provecho al curso, es recomendable que los estudiantes tengan una familiaridad básica con como manipular datos en Python por ejemplo con las librerías numpy y pandas. Sin embargo, si usted no cuenta con conocimientos previos, tendremos una primera clase de introducción a Python donde se cubrirán los conocimientos básicos. Además si usted no tiene conocimientos pero sí la voluntad de aprender y experimentar más allá de la clase es bienvenido.

Nota: El curso utilizará Python a través de Google Colab. Google Colab es un servicio gratuito de Google que permite correr Python en los servidores de Google a través de la nube. Para sacarle mayor provecho se sugiere que tenga una cuenta de Gmail. Puede también desarrollar el curso en su computador personal, en cuyo caso se sugiere que el estudiante interesado en el curso cuente con un computador de 4GB de RAM pero preferiblemente 8GB en adelante.

Contenido

• Introducción a los Sistemas de Recomendación (2 sesiones)

  o Estructura de los sistemas de recomendación

  o Tipos de sistemas de recomendación

  o Introducción a Python y a Google Colab 

• Sistemas de recomendación colaborativos (2 sesiones)

  o Sistemas basados en artículos.

  o Sistemas basados en usuarios.

• Sistemas de recomendación basados en contenidos (3 sesiones)

  o Sistemas basados en descripción, comentarios, y metadatos.

  o Procesamiento del lenguaje natural en español.

  o Análisis de Sentimientos.

• Sistemas de recomendación basados en información geográfica (3 sesiones)

  o Procesamiento de datos espaciales.

  o Identificación de zonas, comercios, rutas y objetos cercanos.

  o Recorridos y tiempo de trayecto por modos de transporte.

  o Evaluación online y offline de sistemas de recomendación

Profesores

Ignacio Sarmiento-Barbieri

PhD en Economía de la Universidad de Illinois con especialización en Economía Urbana y Econometría. Realizó su postdoctorado en ciencia de datos en microeconomía aplicada en el Centro Nacional de Aplicaciones de Supercomputadoras (NCSA) de Estados Unidos. Actualmente es Profesor Asistente de la Facultad de Economía, miembro del programa de Catalistas del Berkeley Initiative for Transparency in the Social Sciences (BITSS) y profesor asociado del Centro de Investigación y Formación en Inteligencia Artificial. Su investigación combina herramientas econométricas tradicionales con avances en informática, big data, y aprendizaje automático para estudiar la economía pública y urbana. En particular, su interés está en la provisión de bienes públicos en ciudades de todo el mundo.

Juan Esteban Segura

Economista y maestrando en economía de la Universidad de los Andes. Actualmente se desempeña como: data scientist en el sector farmacéutico y profesional de investigación del CEDE, donde apoya en investigaciones económicas que combinan herramientas econométricas tradicionales con avances en informática. Fue tutor de la materia de Aprendizaje de Máquinas No Supervisado de la maestría MIAD y BI para la farmacéutica alemana MERCK. Hace parte del club de analítica y macro de la Universidad de los Andes. Su principal enfoque es Big Data, Machine Learning, sistemas de recomendación y desarrollo front end.

Juan Camilo Prieto

Economista y maestrando en ingeniería de sistemas de la Universidad de los Andes. Actualmente se desempeña como data scientist en Frubana, un start-up colombiano apoyado por Y combinator. En su rol como analista de datos de producto desarrolla dashboards para la toma de decisiones, medición de resultados. Apoya también en la creación de nuevos proyectos que ayuden a crecer la compañía. Además, como profesional de investigación del CEDE ha ayudado en la creación de ETLs e investigaciones económicas. Ha sido tutor de clases como Aprendizaje de Máquinas No Supervisado e Introducción a la Programación.

Condiciones

Eventualmente la Universidad puede verse obligada, por causas de fuerza mayor a cambiar sus profesores o cancelar el programa. En este caso el participante podrá optar por la devolución de su dinero o reinvertirlo en otro curso de Educación Continua que se ofrezca en ese momento, asumiendo la diferencia si la hubiere.

La apertura y desarrollo del programa estará sujeto al número de inscritos. El Departamento/Facultad (Unidad académica que ofrece el curso) de la Universidad de los Andes se reserva el derecho de admisión dependiendo del perfil académico de los aspirantes.

Relacionados