Download
afi restaurantes n.
Skip this Video
Loading SlideShow in 5 Seconds..
AFI Restaurantes PowerPoint Presentation
Download Presentation
AFI Restaurantes

AFI Restaurantes

228 Views Download Presentation
Download Presentation

AFI Restaurantes

- - - - - - - - - - - - - - - - - - - - - - - - - - - E N D - - - - - - - - - - - - - - - - - - - - - - - - - - -
Presentation Transcript

  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. AFI RestaurantesSistema 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).

  9. AFI RestaurantesSistema de predicción y recomendación

  10. 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

  11. AFI RestaurantesRepresentando el modelo

  12. AFI RestaurantesOptimizando desempeño Grupos “G1,G2,….Gk” Usuarios “U1,U2,…Un”

  13. AFI RestaurantesModelo de la solución Usuario objetivo Algoritmo de Fisher Grupo “i” Obtención de pronósticos Grupo “i”+Usuario objetivo Algoritmo KNN(filtrado colaborativo) Recomendación Predicción

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

  15. Demostración

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

  17. 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.

  18. 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.

  19. ¿Preguntas?

  20. Graciaspor su atención