Title: AFI Restaurantes
1AFI Restaurantes
- Sistema de predicción y recomendación
personalizada basada en ranking de ítems
homogéneos usando filtrado colaborativo
Luis Alejandro Díaz Viejó Fausto Daniel Ruiz
Moncayo Hugo Iván Chang Miranda
2Agenda
- Introducción
- AFI Restaurantes
- Fundamentos
- Representación del modelo
- Optimización del modelo
- Modelo de la solución
- Demostración
- Conclusiones y recomendaciones
3IntroducciónEscenario actual
- Oferta de objetos culturales (libros, películas,
restaurantes, etc.) dinámica y extensa. - Brecha entre la cantidad y calidad.
- No se encuentra lo que es de nuestro interés.
4IntroducciónEscenario actual
5Introducción Problema
- Y hoy, dónde iré a comer?
- Qué lugar que no conozco será de mi agrado?
- Qué tan bueno será el lugar que me han
recomendado?
6Introducción Solución cotidiana
- Tomar decisiones basado en opiniones.
- Personas o grupos de confianza.
- Factor único que nos estimulan a consumir.
- Cumple esto nuestras expectativas?
7Agenda
- Introducción
- AFI Restaurantes
- Fundamentos
- Representación del modelo
- Optimización del modelo
- Modelo de la solución
- Demostración
- Conclusiones y recomendaciones
8Objetivos del proyecto
- Exponer las características y funcionamiento de
los algoritmos de predicción basados en ítems y
mostrar su aplicación específica en la tarea de
predicción y recomendación. - Desarrollar e implementar un sitio Web basado en
el uso de algoritmos de filtrado colaborativo. - El dominio de producto escogido son los
restaurantes de la ciudad de Guayaquil.
9Objetivos del proyecto
- Definir las ventajas y retos del uso del filtrado
colaborativo en la elaboración de
recomendaciones. - Garantizar la escalabilidad en ambientes de
producción que manejan grandes volúmenes de
datos.
10Agenda
- Introducción
- Objetivos del proyecto
- AFI Restaurantes
- Fundamentos
- Representación del modelo
- Optimización del modelo
- Modelo de la solución
- Demostración
- Conclusiones y recomendaciones
11AFI Restaurantes Sistema de predicción y
recomendación
- Respuesta tecnológica a la solución cotidiana.
- Conocimiento de consumidores concentrado en un
sólo lugar. - Acceso rápido a información relevante (opinión de
consumidores).
12AFI RestaurantesSistema de predicción y
recomendación
13AFI RestaurantesFundamentos
- Tareas de minería de datos
- Clasificación (tarea predictiva)
- Clusterización (tarea descriptiva)
- Métodos de minería de datos
- Filtrado colaborativo.
- Análisis de clústeres.
- Técnicas estadísticas complementarias
- Prueba F
- Algoritmo de Fisher
14AFI RestaurantesRepresentando el modelo
15AFI RestaurantesOptimizando desempeño
Grupos G1,G2,.Gk
Usuarios U1,U2,Un
16AFI RestaurantesModelo de la solución
Usuario objetivo
Algoritmo de Fisher
Grupo i
Obtención de pronósticos
Grupo iUsuario objetivo
Algoritmo KNN(filtrado colaborativo)
Recomendación
Predicción
17Agenda
- Introducción
- AFI Restaurantes
- Fundamentos
- Representación del modelo
- Optimización del modelo
- Modelo de la solución
- Demostración
- Conclusiones y recomendaciones
18Demostración
19Agenda
- Introducción
- AFI Restaurantes
- Fundamentos
- Representación del modelo
- Optimización del modelo
- Modelo de la solución
- Demostración
- Conclusiones y recomendaciones
20AFI RestaurantesConclusiones
- Retos de escalabilidad fueron tratados.
- Un simple historial o repositorio de datos, se
vuelve información de relevancia para tomar
decisiones. - Potencial comercial poder ayudar a dirigir mejor
el uso de recursos de publicidad y promociones.
21AFI RestaurantesRecomendaciones
- Buen diseño, teoría y mejores prácticas.
- Modelo y guía de referencia CRISP-CM, estándar
para la administración de proyectos de minería
de datos. - Herramientas y algoritmos optimizados.
- Paralelismo o hilos (threads) en los procesos del
análisis de conglomerados.
22Preguntas?
23Gracias por su atención