Recommender Systems

Enseignants

Vande Kerckhove Corentin;

Langue
d'enseignement

Anglais

Thèmes abordés

Les thèmes principaux de ce cours sont :
- Principaux courants en recommandation

• Recommandation collaborative
• Recommandation basée sur le contenu
• Recommandation basée sur la connaissance

- Principales techniques et principaux modèles en recommandation

• Modèle des plus proches voisins
• Modèle des classes latentes
• Modèles basés sur la réduction de dimensionnalité et les décompositions matricielles (par exemple, nonnegative matrix factorization)
• etc.

Acquis
d'apprentissage

A la fin de cette unité d’enseignement, l’étudiant est capable de :
1	Comprendre les principaux courants soutenant les systèmes de recommandation ; Comprendre et décrire les principales techniques et les principaux modèles utilisés dans les systèmes de recommandation ; Appliquer, sur des données réelles, différentes techniques de recommandation, et comparer la qualité des résultats obtenus en appliquant ces techniques ; Analyser et interpréter les résultats fournis par l'application de techniques de recommandation.

Contenu

Les systèmes de recommandation aujourd'hui jouent un rôle de plus en plus important pour savoir proposer des produits ou services aux consommateurs. La recommandation des films, de la musique, des nouvelles, des services financiers, termes de recherche, ou des contacts professionnels, etc. est devenu un atout clé pour de nombreuses entreprises. Les systèmes de recommandation peuvent être basés sur de nombreuses approches existantes. Ce cours a pour objet certains de ces systèmes en mettant les données des systèmes de recommandation, le filtrage collaboratif, la factorisation de la matrice et l'évaluation des systèmes de recommandation en évidence.

Méthodes d'enseignement

Cours magistral
Travaux pratiques, exercices et projets intégrés au cours
Le cours est donné en anglais.

Modes d'évaluation
des acquis des étudiants

Evaluation continue 
Réalisation d'un projet avec défense orale
!!! Le cours est un cours à évaluation unique (i.e., une fois la note obtenue pour le cours, elle est définitive pour toute l'année académique, et ne peut donc plus être améliorée par la suite) !!!
En soumettant un travail pour évaluation, vous affirmez : (i) qu'il reflète fidèlement le phénomène étudié, et pour cela vous devez avoir vérifié les faits, surtout s'ils sont prétendus par une IA générative (dont vous devez mentionner explicitement l’utilisation en tant qu’outil de soutien à la réalisation de votre travail) ; (ii) avoir respecté toutes les exigences spécifiques du travail qui vous est confié, notamment les exigences pour la transparence et la documentation de la démarche scientifique mise en œuvre. Si l'une de ces affirmations n'est pas vraie, que ce soit intentionnellement ou par négligence, vous êtes en défaut de votre engagement déontologique vis-à-vis de la connaissance produite dans le cadre de votre travail, et éventuellement d’autres aspects de l’intégrité académique, ce qui constitue une faute académique et sera considéré comme tel.

Autres infos

Certains, voire toutes les cours magistraux, pourraient être proposées en format hybride co-modal afin d’élargir et de faciliter la participation des étudiants des deux campus. Le professeur fournira des informations supplémentaires à ce sujet en temps voulu.

Ressources
en ligne

Toutes les ressources du cours se trouvent sur le Moodle du cours
Intitulé du cours du moodle : MLSMM2156 - Systèmes de recommandation
Clef du cours : communiqué au premier cours
Introduction en bref : https://tryolabs.com/blog/introduction-to-recommender-systems/
Aperçu général : https://link.springer.com/book/10.1007%2F978-3-319-29659-3

Bibliographie

 Aggarwal, Charu C.. “Recommender Systems.” Springer International Publishing (2016).

Faculté ou entité
en charge

> CLSM