| dc.contributor.author | González-Delgado, Benjamin A. | |
| dc.date.accessioned | 2019-02-06T20:07:05Z | |
| dc.date.accessioned | 2023-03-10T17:16:32Z | |
| dc.date.available | 2019-02-06T20:07:05Z | |
| dc.date.available | 2023-03-10T17:16:32Z | |
| dc.date.issued | 2018-10 | |
| dc.identifier.citation | González-Delgado, B. A. (2018). Diseño de un sistema de recomendación usando algoritmos de aprendizaje máquina. Trabajo de obtención de grado, Maestría en Sistemas Computacionales. Tlaquepaque, Jalisco: ITESO. | es |
| dc.identifier.uri | https://hdl.handle.net/20.500.12032/70302 | |
| dc.description | Este trabajo está constituido por una sección inicial donde se presenta una breve introducción a la problemática de los sistemas de recomendación susceptibles a cold-start y pobre eficiencia ante el procesamiento de matrices dispersas. El objetivo principal de este trabajo es proponer y desarrollar un sistema de recomendación que incorpore contenido para solventar el problema del cold-start en los métodos de filtrado colaborativo, a la vez que permita una formulación e implementación con matrices dispersas para un procesamiento eficiente. En la sección de antecedentes se abordan los primeros enfoques de los sistemas de recomendación basados en filtrado y distribución de la información. También se incluye una revisión de los primeros modelos de filtrado colaborativo y una pequeña reseña de los sistemas de recomendación usados en algunas empresas. Se presenta un capítulo de marco teórico donde se explican los algoritmos para extracción de características, las formulaciones de sistemas de recomendación utilizados y la forma en que se calculan algunas de las métricas más usadas para evaluar los sistemas de recomendación. Se presenta el desarrollo del trabajo donde se explica a detalle cada paso realizado para la formulación e implementación de un sistema compuesto que integra dos enfoques, uno de filtrado colaborativo SVD y uno de contenido. Posteriormente se muestran los resultados de cada experimento realizado para validar el sistema de recomendación propuesto. Finalmente se presentan las conclusiones del trabajo. Los resultados demuestran que se resuelven de manera particular los objetivos de procesamiento de datos no estructurados y se aborda el problema del cold-start incorporando el contenido derivado de los datos no estructurados. Con el uso de un enfoque de matrices dispersas, la implementación resultante es modular y escalable. | es |
| dc.description.sponsorship | ITESO, A. C. | es |
| dc.description.sponsorship | Consejo Nacional de Ciencia y Tecnología | es |
| dc.description.sponsorship | Unima Diagnósticos | es |
| dc.language.iso | spa | es |
| dc.publisher | ITESO | es |
| dc.rights.uri | http://quijote.biblio.iteso.mx/licencias/CC-BY-NC-ND-2.5-MX.pdf | es |
| dc.subject | Recuperación de Datos | es |
| dc.subject | Filtros Colaborativos | es |
| dc.subject | Factorización de Matrices | es |
| dc.subject | Text Mining | es |
| dc.subject | Sistemas de Recomendación | es |
| dc.subject | Procesamiento de Datos | es |
| dc.title | Diseño de un sistema de recomendación usando algoritmos de aprendizaje máquina | es |
| dc.type | info:eu-repo/semantics/masterThesis | es |
