DESARROLLO DE UNA SOLUCIN DE RECOMENDACIN CON AZURE

MQUINA DE APRENDIZAJE

PRESENTADO POR

DANIEL ANDRES MANTILLA SALAZAR

UNIVERSIDAD DE CUNDINAMARCA
FACULTAD DE INGENIERIA
PROGRAMA DE INGENIERIA SISTEMAS
INTELIGENCIA ARTIFICAL
FUSAGASUG 30 DE MAYO 2015
 Anlisis proceso de diseo

1. Se crea un experimento en blanco, para hacer el desarrollo del proyecto del sistema de
recomendacin de pelculas de cine; en este colocamos el nombre de Movie
recommendation.

2. Movie ratings es el repositorio que se utiliza para la realizacin del proyecto, en el cual se
encuentran los datos relevantes para disear un sistema de recomendacin basado en las
diferentes caractersticas que las pelculas poseen y en el cual se contienen.
3. Ahora creamos una seleccin de columnas y la unimos con el repositorio, esto implica que
las columnas de las cuales hagamos uso sern relevantes para la bsqueda de
recomendaciones especficas; para esto seleccionamos todas las columnas del repositorio
excepto la fecha y la hora que en este caso no es determinante para generar una
recomendacin.
En este caso nuestras columnas determinantes son el id del usuario (user id), el id de la
pelcula (Movie id) y la clasificacin de la pelcula (Rating).
4. Al arrastrar el Split lo unimos con la seleccin de columnas que realizamos en el paso
anterior, esto con el fin de hacer uso delos datos que en estas se encuentran. Continuando
se dividen los datos en dos aspectos, uno es el Tren de datos que se usa para realizar las
predicciones y por otra parte los Datos de prueba que servirn para la validacin que haga
el recomendador.
Finalmente debemos elegir una cantidad decimal entre 0 y 1, que nos determinara la
cantidad de columnas que vamos a tomar en cuenta para el sistema de recomendacin, en
este caso es un 0.7 lo cual implica que se hace uso de un 70% de las columnas 70:30 con un
conjunto de columnas del 70% y un 30% de sus datos.

5. Arrastramos Train Matchbox Recommender quien aprende de los datos teniendo en cuenta
que ser primordial la observacin y los gustos de los usuarios, frente a la clasificacin del
contenido y puntajes de la pelcula y asi relaizar una mejor recomendacion.
6. Para terminar la prediccin del paso anterior debemos tener en cuenta el puntaje
que las personas dan a estos aspectos relevantes, por lo cual aadimos un the
Score Matchbox Recommender, con esto se entiende que si una pelcula es
muchas veces vista, tendr un puntaje mayor ante otras, lo cual dara una medida
de recomendacin para el usuario, por otra parte los gustos de genero de cierta
persona pueden servir de recomendacin teniendo tambin un puntaje personal
que puede dar a una pelcula.

7. Aqu aadimos un Evaluate recomender, que sirve para dar una exactitud a la evaluacin de
los datos o predicciones obtenidas, en este momento podemos correr el proyecto y generar
una vista a una de las tablas generadas.
 Para visualizar la tabla damos cli derecho sobre score matchbox recomender luego en la
opcin score dataset y por ltimo en visualize en donde nos arrojara la siguiente tabla.

En este caso los datos aun no son relevantes para la bsqueda, ya que necesitamos el
nombre de la pelcula para una prediccin ms especfica, su id no es tan relevante para
esto.

8. Para hacer una bsqueda ms exacta buscamos el repositorio que contiene los ttulos de las
pelculas, as podremos ver un puntaje por pelcula teniendo en cuenta su nombre; para
esto agregamos el IMDB movie titles, que contiene la relacin de ttulos con id de las
pelculas; para determinar esto y llegar a una visualizacin necesitamos agregar un edit
metadata quien nos determina el conjunto de datos que tomaremos de las columnas.

Finalmente para poder unir nuestro proyecto totalmente con las dems instancias hechas
anteriormente, debemos crear dos join, el primero realiza una consulta del tem 1 y El id de
la pelcula y el segundo El tem 1 con el nombre o ttulo de la pelcula, asi nos generara la
siguiente tabla donde podremos analizar las recomendaciones de una manera ms
predictiva y eficaz.
 Propsito del sistema de recomendacin y utilidad

El sistema de recomendacin se crea con el propsito de guiar las predicciones que se

pueden hacer a cerca de la recomendacin y prediccin de pelculas no vistas por las personas, de
este modo incentivar en los distintos gneros de gustos u observacin de otros usuarios, de esta
forma mejorar la clasificacin y puntaje de nuevos usuarios aumentando la audiencia que quiere
ver diferentes pelculas.

Su utilidad es relevante e importante, ya que mediante su proceso se puede mejorar la

experiencia que tiene un usuario al elegir un tipo de pelcula, de esta forma en el proyecto azure, se
evidencian los tipos de predicciones que se pueden realizar acorde a las necesidades del usuario.