1
00:00:00,000 --> 00:00:03,416
>> [REPRODUCCIÓN DE MÚSICA]

2
00:00:03,416 --> 00:00:05,860

3
00:00:05,860 --> 00:00:08,180
>> CEREBRO Scassellati: Bienvenido
a la serie CS50 AI.

4
00:00:08,180 --> 00:00:12,600
Mi nombre es Scass, y hoy vamos
para hablar de los sistemas de recomendación.

5
00:00:12,600 --> 00:00:15,780
Ahora de recomendación sonidos sistemas
como una especie de extraño nombre.

6
00:00:15,780 --> 00:00:18,630
Suena como tal vez lo que debería
ser sistemas de recomendación,

7
00:00:18,630 --> 00:00:21,290
y que tipo de acuerdo con usted.

8
00:00:21,290 --> 00:00:26,110
Pero estos son los sistemas que ayudan
seleccione cosas similares siempre que sea

9
00:00:26,110 --> 00:00:28,210
selecciona algo en línea.

10
00:00:28,210 --> 00:00:32,119
Netflix, por ejemplo sugerirá otra
películas que usted puede ser que desee ver.

11
00:00:32,119 --> 00:00:36,660
O Pandora sugerirá diferente
canciones que es posible que desee escuchar.

12
00:00:36,660 --> 00:00:40,940
Amazon le sugerirá qué tipo de
Otros productos que te pueden querer comprar.

13
00:00:40,940 --> 00:00:43,520
Facebook incluso sugerir
algunos de los otros amigos

14
00:00:43,520 --> 00:00:45,440
que es posible que desee agregar.

15
00:00:45,440 --> 00:00:49,800
Cada uno de estos sistemas funcionan con
el mismo tipo básico de algoritmo,

16
00:00:49,800 --> 00:00:52,520
y eso es lo que estamos
va a hablar hoy.

17
00:00:52,520 --> 00:00:56,860
>> Ahora bien, estos algoritmos son
sorprendentemente grandes empresas.

18
00:00:56,860 --> 00:01:01,130
Netflix hace unos años en
2009 ofreció un $ 1.000.000

19
00:01:01,130 --> 00:01:07,240
premio si usted podría mejorar su
sistema de recomendación en sólo un 10%.

20
00:01:07,240 --> 00:01:11,960
Que el 10%, sin embargo, representa una
cantidad sustancial de los negocios.

21
00:01:11,960 --> 00:01:15,330
Las estimaciones son difíciles de
conseguir, pero muchas personas

22
00:01:15,330 --> 00:01:19,050
Creemos que estas recomendaciones
sistemas para una compra en línea

23
00:01:19,050 --> 00:01:25,729
sistema como Amazon conducen a alguna parte
entre 10% y 25% mayores ingresos.

24
00:01:25,729 --> 00:01:27,770
Así que usted puede imaginar el
tipo de volumen que eres

25
00:01:27,770 --> 00:01:32,860
hablando de cuando pensamos en
incluso estos pequeños algoritmos.

26
00:01:32,860 --> 00:01:35,200
>> Así que vamos a obtener algunos ejemplos.

27
00:01:35,200 --> 00:01:38,460
¿Cómo es que estos
sistemas funcionan realmente?

28
00:01:38,460 --> 00:01:40,773
No son dos básica
tipos de algoritmos que

29
00:01:40,773 --> 00:01:45,050
están en juego cuando hablamos de
recomendaciones de generación.

30
00:01:45,050 --> 00:01:48,650
Las primeras se denominan
filtrado basado en contenido.

31
00:01:48,650 --> 00:01:53,410
Y el filtrado basado en contenido se basa
sobre similitudes entre los elementos

32
00:01:53,410 --> 00:02:00,370
a sí mismos, es decir, entre dos películas
o dos canciones o dos artículos comprados.

33
00:02:00,370 --> 00:02:03,190
Vamos a utilizar películas
como un ejemplo, pero esto

34
00:02:03,190 --> 00:02:07,850
podría aplicarse, en realidad, a cualquier tipo
de objeto que estamos buscando.

35
00:02:07,850 --> 00:02:13,330
>> Así que si pienso en algunos
películas del año pasado,

36
00:02:13,330 --> 00:02:16,799
Vi Inside Out con
mis hijos, les encantó.

37
00:02:16,799 --> 00:02:17,840
Pero también tuvimos una elección.

38
00:02:17,840 --> 00:02:21,350
Podríamos haber ido a ver a los esbirros,
podríamos visto Edad de Ultron,

39
00:02:21,350 --> 00:02:24,850
o podríamos haber visto
Hombre Hormiga en los teatros.

40
00:02:24,850 --> 00:02:27,580
>> Para cualquiera de estos
películas, podríamos imaginar

41
00:02:27,580 --> 00:02:33,320
la generación de una lista de características o
cualidades de los diferentes películas.

42
00:02:33,320 --> 00:02:37,190
Así, por ejemplo, podría considerar
cuáles de esas películas están animados.

43
00:02:37,190 --> 00:02:39,960
Bueno, tanto Inside Out
y esbirros están animados.

44
00:02:39,960 --> 00:02:44,140
Ni la edad ni de Ultron
Hombre Hormiga son películas animadas.

45
00:02:44,140 --> 00:02:47,040
Y yo podía imaginar edificio
una estructura, una tabla que

46
00:02:47,040 --> 00:02:49,440
enumera cada una de estas propiedades.

47
00:02:49,440 --> 00:02:51,790
Están animados o no?

48
00:02:51,790 --> 00:02:54,780
Entonces yo podría añadir más
características a esta tabla

49
00:02:54,780 --> 00:02:58,380
mediante la adición de más filas en esta estructura.

50
00:02:58,380 --> 00:03:00,970
Yo podría preguntar si
No son películas de Marvel.

51
00:03:00,970 --> 00:03:04,010
Bueno, Inside Out y Minions
No son las películas de Marvel,

52
00:03:04,010 --> 00:03:06,715
Edad de Ultron y Ant hombre ciertamente lo son.

53
00:03:06,715 --> 00:03:09,100
>> Y yo podría hacer cualquier tipo
de diferentes calidades

54
00:03:09,100 --> 00:03:12,080
que yo quería, cualquier tipo de características
que podría ser importante para mí.

55
00:03:12,080 --> 00:03:13,440
¿Tienen un super villano?

56
00:03:13,440 --> 00:03:16,700
Bueno, no hay súper villano en el interior
, Pero los hay en Minions

57
00:03:16,700 --> 00:03:19,990
y en, obviamente, la
dos películas de superhéroes.

58
00:03:19,990 --> 00:03:23,900
>> Yo también podría preguntarle cosas como, bueno,
no pasan la prueba Bechdel?

59
00:03:23,900 --> 00:03:27,280
¿Hay dos nombrados
personajes femeninos que

60
00:03:27,280 --> 00:03:30,550
pasar algún cantidad significativa de
tiempo tener una conversación que

61
00:03:30,550 --> 00:03:34,400
no involucrar a los hombres en el elenco?

62
00:03:34,400 --> 00:03:39,870
Bueno, en este caso, Inside Out pasa
la prueba, Minions falla, Age of Ultron

63
00:03:39,870 --> 00:03:42,990
pasa la prueba, y no Ant Man.

64
00:03:42,990 --> 00:03:45,020
Cualquiera de estas características
Lo que podía pensar

65
00:03:45,020 --> 00:03:48,660
como importantes para algunas personas.

66
00:03:48,660 --> 00:03:52,000
>> Yo también podría preguntarle cosas como son
Hay alguna gente en estas películas que

67
00:03:52,000 --> 00:03:57,190
son ex alumnos de digamos, Parques y
Recreación, uno de mis programas favoritos.

68
00:03:57,190 --> 00:04:00,540
Bueno, Inside Out cuenta con Amy
Poehler, que es una de Antiguos Alumnos.

69
00:04:00,540 --> 00:04:01,530
Eso cuenta.

70
00:04:01,530 --> 00:04:04,110
Jon Hamm estaba en Minions.

71
00:04:04,110 --> 00:04:08,600
Paul Rudd estaba en Ant Man, pero nadie
en Age of Ultron estaba en Parques y Req

72
00:04:08,600 --> 00:04:10,150
así como.

73
00:04:10,150 --> 00:04:12,990
Así que puedo construir esta lista de
características, y que pudieron realmente

74
00:04:12,990 --> 00:04:14,710
ser cualquier cosa sobre las películas.

75
00:04:14,710 --> 00:04:17,329
Podrían ser de lo
relación de aspecto que se rodó en,

76
00:04:17,329 --> 00:04:21,630
que podría ser el número de escaños que
vendido en su primer fin de semana.

77
00:04:21,630 --> 00:04:25,630
Cualquier característica que quiero
genero que puedo poner en esta tabla.

78
00:04:25,630 --> 00:04:29,600
>> Ahora, en este caso, he construido
todo tipo de valores de lingotes,

79
00:04:29,600 --> 00:04:33,700
sí o no, pasar o fallar,
pero podrían ser cualquier cosa.

80
00:04:33,700 --> 00:04:36,690
Podrían ser valores arbitrarios.

81
00:04:36,690 --> 00:04:39,070
Para el filtrado de contenidos basado,
lo que vamos a hacer

82
00:04:39,070 --> 00:04:42,810
es que vamos a tener en cuenta
dos columnas de esta tabla

83
00:04:42,810 --> 00:04:45,660
y ver lo similares que son.

84
00:04:45,660 --> 00:04:48,640
Así, por ejemplo, si
fue a ver Inside Out,

85
00:04:48,640 --> 00:04:53,640
Yo podría preguntar, ¿cuáles son las otras películas
que podría estar dispuesto a ir a ver.

86
00:04:53,640 --> 00:04:56,890
Es decir, lo dispuesto a
gastar mi dinero para ir a ver.

87
00:04:56,890 --> 00:05:00,310
Y puedo comparar esto con sólo tomar
las dos columnas, uno desde adentro hacia afuera

88
00:05:00,310 --> 00:05:03,300
y uno de cualquiera de los
otras películas, y sólo ver

89
00:05:03,300 --> 00:05:06,210
cuántos de su partido de características.

90
00:05:06,210 --> 00:05:09,660
Así que si comparo Inside Out
con esbirros, bueno, hay

91
00:05:09,660 --> 00:05:10,910
tres cosas aquí que los partidos.

92
00:05:10,910 --> 00:05:16,200
Ambos están animados, ninguno de los dos
son las películas de Marvel, y dos de ellos

93
00:05:16,200 --> 00:05:18,420
tener Parques y Req ex alumnos.

94
00:05:18,420 --> 00:05:20,420
Así que podría contar hasta cómo
muchos partidos hubo,

95
00:05:20,420 --> 00:05:22,640
y en este caso no habría tres.

96
00:05:22,640 --> 00:05:26,450
>> Pues si yo comparo Inside Out
con digamos Edad de Ultron,

97
00:05:26,450 --> 00:05:28,430
Puedo mirar abajo en la lista
y decir, bueno, hay

98
00:05:28,430 --> 00:05:30,140
sólo una cosa que coincide allí.

99
00:05:30,140 --> 00:05:34,560
Ambos pasan la prueba de Bechtel, por lo
que va a haber una puntuación de uno.

100
00:05:34,560 --> 00:05:36,770
Y entre Inside Out
y el Hombre Hormiga, otra vez

101
00:05:36,770 --> 00:05:41,420
puede comparar línea por línea el número de
cosas coinciden entre ellos dos.

102
00:05:41,420 --> 00:05:43,060
Bueno, una ANIMADA, uno no es.

103
00:05:43,060 --> 00:05:44,970
Uno es una película de Marvel, uno no es.

104
00:05:44,970 --> 00:05:47,280
Uno tiene un súper villano,
la otra no.

105
00:05:47,280 --> 00:05:49,480
Se pasa la Bechtel
prueba, una falla,

106
00:05:49,480 --> 00:05:54,450
pero ambos tienen Parques y Req alumnos,
así que de nuevo, obtiene una puntuación de uno.

107
00:05:54,450 --> 00:05:58,300
>> Así que si yo estábamos buscando películas
que eran similares a Inside Out,

108
00:05:58,300 --> 00:06:02,170
Yo podría buscar las películas que tienen
el puntaje más alto dentro de este contenido

109
00:06:02,170 --> 00:06:03,952
esquema de filtrado.

110
00:06:03,952 --> 00:06:05,660
Así que en este caso,
consideraría Minions

111
00:06:05,660 --> 00:06:08,330
para estar más cerca y más
probable que sea algo

112
00:06:08,330 --> 00:06:13,250
que iba a gastar dinero para ver
que era de Ultron o el Hombre Hormiga.

113
00:06:13,250 --> 00:06:16,150
>> Basada Estos contenidos
sistemas de filtrado se basan simplemente

114
00:06:16,150 --> 00:06:18,670
en las propiedades de
las películas, y por lo que

115
00:06:18,670 --> 00:06:21,930
puede construir estos sólo conociendo
algo acerca de los productos

116
00:06:21,930 --> 00:06:23,500
eso tengo.

117
00:06:23,500 --> 00:06:26,050
Puedo usar cualquier tipo de
características que me gustaría,

118
00:06:26,050 --> 00:06:28,400
y puedo construir más
características complejas que

119
00:06:28,400 --> 00:06:33,060
involucrar a la prueba más compleja
de una calidad a medida que avanzo.

120
00:06:33,060 --> 00:06:39,080
De hecho, incluso puedo ver esta tabla
no como un objeto estático,

121
00:06:39,080 --> 00:06:43,110
sino más bien como siendo dimensiones
dentro de un espacio de estado mayor.

122
00:06:43,110 --> 00:06:46,295
Y puedo empezar a hablar de la
distancias entre diferentes películas.

123
00:06:46,295 --> 00:06:49,300

124
00:06:49,300 --> 00:06:51,050
Estas son todas las cosas
que sabemos cómo

125
00:06:51,050 --> 00:06:55,860
hacer uso de los tipos de estructuras de datos
que ya hemos visto en el CS50.

126
00:06:55,860 --> 00:06:59,180
Así que me podía imaginar edificio
una estructura de datos para una película.

127
00:06:59,180 --> 00:07:02,390
Hay una estructura que tengo
construida llamada película,

128
00:07:02,390 --> 00:07:04,369
y tiene cinco entradas booleanas en el mismo.

129
00:07:04,369 --> 00:07:07,160
¿Está animado, ¿es una maravilla
película, ¿tiene un super villano,

130
00:07:07,160 --> 00:07:11,047
Qué pasa la prueba Bechdel, y
hay Parques y Rec alumnos en ella?

131
00:07:11,047 --> 00:07:12,880
Y cada uno de ellos es un
estructura de datos que I

132
00:07:12,880 --> 00:07:16,330
puede ocupar para esa película particular.

133
00:07:16,330 --> 00:07:20,090
>> A continuación, calcular si dos
películas son similares o no,

134
00:07:20,090 --> 00:07:23,330
lo que su puntuación es, que podía
escribir un conjunto de pseudocódigo que

135
00:07:23,330 --> 00:07:25,120
genera esa misma función.

136
00:07:25,120 --> 00:07:30,100
Es decir, dado un poco de película M1, que pueda
encontrar la película más parecida a ella

137
00:07:30,100 --> 00:07:32,430
siguiendo el pseudocódigo.

138
00:07:32,430 --> 00:07:37,040
Considero que es el mejor
sistema que he encontrado anotando,

139
00:07:37,040 --> 00:07:39,920
la mejor comparación que he encontrado.

140
00:07:39,920 --> 00:07:41,890
Por cada otra película
Voy a ir a través,

141
00:07:41,890 --> 00:07:44,920
Voy a poner una puntuación partido igual a 0.

142
00:07:44,920 --> 00:07:47,920
Y voy a ir a través de esa
película, un M1, la película

143
00:07:47,920 --> 00:07:51,500
Empecé con, lo comprobaré
todos y cada función

144
00:07:51,500 --> 00:07:53,650
que tienen que ver
si hay un partido.

145
00:07:53,650 --> 00:07:56,460
Si hay un partido, voy a
incrementar el resultado del partido.

146
00:07:56,460 --> 00:08:00,480
Y si al final el resultado del partido que
He es mejor que el actual mejor

147
00:08:00,480 --> 00:08:03,310
anotar, entonces voy a
recordar que la mejor puntuación,

148
00:08:03,310 --> 00:08:05,820
y este es el mejor partido que tengo.

149
00:08:05,820 --> 00:08:09,450
Al final, sea cual sea la película
está sentado en el mejor partido,

150
00:08:09,450 --> 00:08:12,580
eso es el más cercano
He sido capaz de llegar.

151
00:08:12,580 --> 00:08:14,890
Así basa estos contenidos
sistemas de filtrado,

152
00:08:14,890 --> 00:08:16,900
todos ellos tienen esta estructura básica.

153
00:08:16,900 --> 00:08:20,910
Se basan en el artículo
en cuestión y nada

154
00:08:20,910 --> 00:08:24,590
sobre cualquiera de las preferencias del usuario.

155
00:08:24,590 --> 00:08:29,010
>> El otro mecanismo que utilizamos en
para construir sistemas de recomendación

156
00:08:29,010 --> 00:08:31,790
se llama filtrado colaborativo.

157
00:08:31,790 --> 00:08:36,520
Filtrado colaborativo se basa en
no las cualidades del objeto en sí mismo,

158
00:08:36,520 --> 00:08:40,010
pero ¿cómo las personas, otros
usuarios, es decir, cómo han

159
00:08:40,010 --> 00:08:43,370
respondido a estos mismos objetos.

160
00:08:43,370 --> 00:08:48,720
Así que para continuar con mi ejemplo de la película,
Yo podría tomar un montón de mis amigos

161
00:08:48,720 --> 00:08:53,180
y estudiar acerca de si es o
No les gustaba películas particulares.

162
00:08:53,180 --> 00:08:56,560
Ahora diferentes lugares generarán
estos datos de diferentes maneras.

163
00:08:56,560 --> 00:08:59,630
Usted puede examinar directamente a su
usuarios, o usted podría

164
00:08:59,630 --> 00:09:03,120
ver lo que deciden si
usted es, por ejemplo Netflix.

165
00:09:03,120 --> 00:09:05,640
¿Qué películas tenían que ven?

166
00:09:05,640 --> 00:09:08,670
>> Yo podría cuestionar un poco de mi
amigos aquí y saber

167
00:09:08,670 --> 00:09:12,910
que Jason le gusta cada película
que vio, no sorprendiendo allí.

168
00:09:12,910 --> 00:09:15,590
Andy solamente le gusta Minions y tía hombre.

169
00:09:15,590 --> 00:09:19,330
Sarah le gusta Inside Out y
Vengadores, lo contrario de Andy.

170
00:09:19,330 --> 00:09:22,200
Y Sam, bueno, Sam le gusta
todas las películas de superhéroes,

171
00:09:22,200 --> 00:09:24,960
pero ninguna de las películas animadas.

172
00:09:24,960 --> 00:09:30,630
>> Entonces yo podría preguntar por alguna nueva
individual, algún otro usuario como yo

173
00:09:30,630 --> 00:09:34,520
y pedir, bueno, si me ha gustado
una de estas películas,

174
00:09:34,520 --> 00:09:38,600
se puede hacer una predicción sobre
que otras películas que podría gustar.

175
00:09:38,600 --> 00:09:41,890
Es decir, si me gustaba el interior
Out, que otras películas

176
00:09:41,890 --> 00:09:48,460
estoy probable que también desee ver
en base a lo que la gente hacía similares?

177
00:09:48,460 --> 00:09:51,640
Es decir, voy a ir a través de un
Voy a filtrar a través de esta lista

178
00:09:51,640 --> 00:09:54,520
y encontrar sólo el
personas que también les gustaba

179
00:09:54,520 --> 00:09:57,680
Inside Out, que coincidía con mis preferencias.

180
00:09:57,680 --> 00:10:00,824
Bueno, eso significa que Andy y
Sam, que no le gustaba Inside Out,

181
00:10:00,824 --> 00:10:02,240
así que no voy a considerarlos.

182
00:10:02,240 --> 00:10:06,130
Voy a deshacerse de su
los datos para esta comparación.

183
00:10:06,130 --> 00:10:09,750
>> Entonces puedo ver lo que Jason
y Sarah pensó y recuento

184
00:10:09,750 --> 00:10:13,780
hasta que de las películas que veían
que no lo hice, si les gustaron

185
00:10:13,780 --> 00:10:15,150
O no.

186
00:10:15,150 --> 00:10:17,820
Yo sólo podía contar hasta, digamos votos.

187
00:10:17,820 --> 00:10:23,360
Así Minions, por ejemplo podría tener uno
votar por ella, ya que Jason le gustaba.

188
00:10:23,360 --> 00:10:27,170
Tanto Jason y Sarah le gusta Vengadores,
por lo que tendría dos votos.

189
00:10:27,170 --> 00:10:30,700
Y sólo Jason le gusta Ant Man,
por lo que sería conseguir un voto.

190
00:10:30,700 --> 00:10:34,870
Así que si tuviera que luego recomendar
por mí mismo cuál de estas películas

191
00:10:34,870 --> 00:10:41,470
Yo podría ser más propensos a ver, lo haría
que elegir Edad de Ultron: Vengadores.

192
00:10:41,470 --> 00:10:44,490
>> Así que para cualquiera de estos
sistemas, ahora estoy usando

193
00:10:44,490 --> 00:10:49,260
datos que no fue generada por la
película en sí, sino de las preferencias

194
00:10:49,260 --> 00:10:51,960
de otros usuarios.

195
00:10:51,960 --> 00:10:54,150
Esto tiene algunas dificultades, por supuesto.

196
00:10:54,150 --> 00:10:55,920
¿Qué pasa si usted no tiene ningún otro usuario?

197
00:10:55,920 --> 00:10:58,770
Bueno, eso se llama problema de inicio.

198
00:10:58,770 --> 00:11:03,760
Tienes que tener un poco de
cantidad de datos antes de que esté

199
00:11:03,760 --> 00:11:07,560
capaz de empezar a hacer
estas recomendaciones.

200
00:11:07,560 --> 00:11:10,940
La otra cara de esto es una vez
de empezar a recoger datos,

201
00:11:10,940 --> 00:11:13,870
si usted puede obtener más
y más y más datos,

202
00:11:13,870 --> 00:11:17,850
obtendrá mejor y mejor
y mejores recomendaciones.

203
00:11:17,850 --> 00:11:21,650
>> Ahora podríamos traducir
esto en código.

204
00:11:21,650 --> 00:11:23,860
Podemos definir una diferente
tipo de estructura,

205
00:11:23,860 --> 00:11:25,720
en este caso lo vamos a llamar a un usuario.

206
00:11:25,720 --> 00:11:30,970
Y se puso sobre las características
qué películas este usuario gustaban.

207
00:11:30,970 --> 00:11:34,560
¿Les gustó Inside Out,
Minions, vengadores, y el Hombre Hormiga.

208
00:11:34,560 --> 00:11:36,660
Entonces podríamos generar
algunos pseudocódigo para seguir

209
00:11:36,660 --> 00:11:39,460
el mismo procedimiento que he usado antes.

210
00:11:39,460 --> 00:11:43,460
Es decir, dado un determinado
usuario x, vamos a recomendar una película

211
00:11:43,460 --> 00:11:46,107
que x puede gustar.

212
00:11:46,107 --> 00:11:47,940
Podemos ir a través y
para todas las películas,

213
00:11:47,940 --> 00:11:51,410
podemos inicializar una puntuación
para esa película sea 0.

214
00:11:51,410 --> 00:11:54,080
Y entonces podemos encontrar todo
de los otros usuarios que

215
00:11:54,080 --> 00:11:57,630
tener las mismas preferencias que x.

216
00:11:57,630 --> 00:11:59,990
Y a continuación, para cada
película que les gustaba,

217
00:11:59,990 --> 00:12:02,340
vamos a incrementar el puntaje de esa película.

218
00:12:02,340 --> 00:12:05,010
Sea cual sea la película en el
extremo tiene la puntuación más alta,

219
00:12:05,010 --> 00:12:07,600
esa es la que yo debería recomendar.

220
00:12:07,600 --> 00:12:09,890
>> Nada de esto es realmente oscura.

221
00:12:09,890 --> 00:12:11,600
Nada de esto es un reto.

222
00:12:11,600 --> 00:12:15,810
Estos son todos los algoritmos básicos
que se puede aplicar hoy.

223
00:12:15,810 --> 00:12:20,050
>> Ahora, con los sistemas de recomendación de bienes,
se encuentra con algunos problemas.

224
00:12:20,050 --> 00:12:23,300
¿Qué pasa si no hay nadie que
coincide exactamente con sus preferencias?

225
00:12:23,300 --> 00:12:27,170
¿Qué pasa si hay usuarios que
son exactamente sus preferencias,

226
00:12:27,170 --> 00:12:30,480
pero entonces desviarse drásticamente
de lo que te gusta?

227
00:12:30,480 --> 00:12:36,210
Me gusta clásico Godzilla
películas, pero mi esposa no lo hace.

228
00:12:36,210 --> 00:12:39,430
Me gusta verlos, mi
Cuenta de Netflix los contiene.

229
00:12:39,430 --> 00:12:41,800
De Su no.

230
00:12:41,800 --> 00:12:45,230
¿Qué sucede cuando empezamos
mezcla de datos de este tipo?

231
00:12:45,230 --> 00:12:47,690
Estos son todos los desafíos
que puede superar,

232
00:12:47,690 --> 00:12:51,900
que acaba de tomar un poco
algoritmos más complejos.

233
00:12:51,900 --> 00:12:56,420
>> Ahora, en el mundo real, lo que
son en realidad operativa,

234
00:12:56,420 --> 00:12:59,980
Cómo usamos el filtrado basado en contenido o
Cómo usamos filtrado colaborativo?

235
00:12:59,980 --> 00:13:01,910
Y la respuesta es que utilizamos los dos.

236
00:13:01,910 --> 00:13:06,350
Casi todos los principales usuarios en
este caso, Amazon, Facebook, Netflix,

237
00:13:06,350 --> 00:13:11,200
Pandora, todos ellos utilizan una combinación de
estos diferentes sistemas de recomendación.

238
00:13:11,200 --> 00:13:16,520
Y cuando combinamos las opciones de
cada uno, los llamamos sistemas híbridos.

239
00:13:16,520 --> 00:13:20,750
Ellos de alguna manera dependen de la
características del objeto en sí mismo,

240
00:13:20,750 --> 00:13:24,710
y de alguna manera dependen de
las preferencias de los otros usuarios.

241
00:13:24,710 --> 00:13:28,120
Estos sistemas híbridos,
son un gran negocio,

242
00:13:28,120 --> 00:13:30,830
y son lo que está vigente en la actualidad.

243
00:13:30,830 --> 00:13:32,839
>> Así que muchas gracias por acompañarme.

244
00:13:32,839 --> 00:13:35,380
Espero que hayas conseguido un poco
poco de una comprensión de lo

245
00:13:35,380 --> 00:13:37,430
hace que estos sistemas de trabajo.

246
00:13:37,430 --> 00:13:41,980
La próxima vez que estés en línea, recuerda que
No sólo le influir en sus decisiones,

247
00:13:41,980 --> 00:13:44,680
pero potencialmente todo el mundo es así.

248
00:13:44,680 --> 00:13:46,480
Gracias de nuevo.

249
00:13:46,480 --> 00:13:47,186