AFI Restaurantes

1
AFI 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
2
Agenda

• Introducción
• AFI Restaurantes
• Fundamentos
• Representación del modelo
• Optimización del modelo
• Modelo de la solución
• Demostración
• Conclusiones y recomendaciones

3
IntroducciónEscenario 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.

4
IntroducciónEscenario actual
5
Introducción 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?

6
Introducción Solución cotidiana

• Tomar decisiones basado en opiniones.
• Personas o grupos de confianza.
• Factor único que nos estimulan a consumir.
• Cumple esto nuestras expectativas?

7
Agenda

• Introducción
• AFI Restaurantes
• Fundamentos
• Representación del modelo
• Optimización del modelo
• Modelo de la solución
• Demostración
• Conclusiones y recomendaciones

8
Objetivos 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.

9
Objetivos 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.

10
Agenda

• Introducción
• Objetivos del proyecto
• AFI Restaurantes
• Fundamentos
• Representación del modelo
• Optimización del modelo
• Modelo de la solución
• Demostración
• Conclusiones y recomendaciones

11
AFI 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).

12
AFI RestaurantesSistema de predicción y
recomendación
13
AFI 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

14
AFI RestaurantesRepresentando el modelo
15
AFI RestaurantesOptimizando desempeño
Grupos G1,G2,.Gk
Usuarios U1,U2,Un
16
AFI RestaurantesModelo de la solución
Usuario objetivo
Algoritmo de Fisher
Grupo i
Obtención de pronósticos
Grupo iUsuario objetivo
Algoritmo KNN(filtrado colaborativo)
Recomendación
Predicción
17
Agenda

• Introducción
• AFI Restaurantes
• Fundamentos
• Representación del modelo
• Optimización del modelo
• Modelo de la solución
• Demostración
• Conclusiones y recomendaciones

18
Demostración
19
Agenda

• Introducción
• AFI Restaurantes
• Fundamentos
• Representación del modelo
• Optimización del modelo
• Modelo de la solución
• Demostración
• Conclusiones y recomendaciones

20
AFI 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.

21
AFI 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.

22
Preguntas?
23
Gracias por su atención