Streszczenie:
W niniejszej pracy zajęto się problemem zastosowania metod macierzowych do systemów rekomendacji
produktów. Wymieniono problemy optymalizacyjne mogące być rozwiązane przez
aproksymacje macierzy. Przedstawiono metodę rozkładu własności osobliwych macierzy (Singular
Value Decomposition) oraz opisano pokrewna metodę Funk SVD odporna na braki
danych bazująca na stochastycznej metodzie gradientu. Metode te zastosowano na danych
pochodzących z konkursu Netflix Prize, w którym należało przewidzieć ocenę filmu użytkownika
na podstawie wcześniejszych jego ocen. Dane zostały przetworzone i zanalizowane przy
pomocy skryptów w języku Python oraz wykorzystano bibliotekę Surprise, w której zaimplementowana
jest metoda Funk SVD. Funk SVD jest metoda czasochłonna i wymaga dużej
mocy obliczeniowej zatem w niniejszej pracy wykorzystano ja do stworzenia modelu uczenia
maszynowego, który ma za zadanie prognozować oceny filmów oraz poddano go ewaluacji przy
pomocy miar estymatora.
