Preciso de alguém para realizar portifolio de Data Science
Budget: $10 – $30 USD
Data Science Movie: desenvolvendo modelo de recomendação de filmes
Projeto
Você foi contratado como cientista de dados por uma plataforma de streaming de filmes,
que está passando por um momento de expansão. O objetivo principal da empresa é
aumentar o tempo de engajamento dos usuários e melhorar a satisfação geral com o
serviço. Atualmente, os usuários estão sobrecarregados pela vasta quantidade de filmes
disponíveis e muitas vezes têm dificuldades em encontrar títulos que correspondam aos
seus gostos pessoais. Para resolver esse problema, você foi incumbido de desenvolver um
sistema de recomendação de filmes eficiente, capaz de sugerir títulos relevantes para cada
usuário com base em suas preferências e no histórico de avaliações.
O sistema será implementado na plataforma de streaming, podendo ser acessado pelos
usuários da plataforma, servido para melhorar a experiência deles, aumentar o
engajamento, facilitando a descoberta de novos filmes, elevando a satisfação e a lealdade
do cliente à plataforma.
Construindo o Portfólio
● Relatório: Elabore um relatório completo, incluindo:
○ Introdução: Apresente o problema e a importância dos sistemas de
recomendação.
○ Metodologia: Descreva os dados utilizados, o pré-processamento, o
modelo escolhido e a avaliação.
○ Resultados: Apresente os resultados obtidos, incluindo métricas de
avaliação e exemplos de recomendações.
○ Discussão: Discuta os resultados, as limitações do modelo e as
possíveis melhorias.
3. OBJETIVOS:
Construir um sistema de recomendação de filmes utilizando técnicas de Data Science e
Machine Learning. O objetivo é criar um modelo capaz de sugerir filmes aos usuários com
base em suas preferências.
4. REQUISITOS:
● Coleta de dados: Utilize um conjunto de dados público de avaliações de filmes.
Sugestão: MovieLens no Kaggle:
https://www.kaggle.com/search?q=MovieLens+Dataset+datasetFileTypes%3Acsv )
ou construa sua própria base de dados.
● Análise exploratória: Explore os dados para entender a distribuição das avaliações,
a popularidade dos filmes e os usuários mais ativos.
● Pré-processamento: Prepare os dados para a modelagem, criando matrizes de
avaliações e tratando valores ausentes.
● Modelagem: Implemente um algoritmo de recomendação colaborativo ou um
algoritmo híbrido, combinando informações colaborativas e baseadas em
conteúdo.
● Vídeo explicativo: Grave um vídeo apresentando seu projeto, explicando as etapas
realizadas, os desafios encontrados e os resultados obtidos.
● Dica: Sugiro que utilizem bibliotecas como TensorFlow ou PyTorch para
implementar os algoritmos de recomendação.
Fontes de Pesquisa Primária:
1. MovieLens Dataset: Um dos conjuntos de dados mais utilizados para sistemas de
recomendação, disponível no Kaggle, que oferece uma vasta coleção de avaliações
de filmes realizadas por usuários. Este dataset pode ser utilizado para treinar e
testar o sistema de recomendação desenvolvido no projeto.
○ Link: MovieLens Dataset no Kaggle
2. Documentação da Biblioteca Surprise: A biblioteca Surprise é uma ferramenta
poderosa para construção de sistemas de recomendação. A documentação oficial
oferece exemplos, guias e referências detalhadas sobre como utilizar os diversos
algoritmos de recomendação disponíveis.
○ Link: Surprise Documentation
3. Artigos Acadêmicos sobre Recommender Systems: Publicações acadêmicas e
papers em plataformas como IEEE Xplore, Google Scholar, e arXiv oferecem
insights sobre algoritmos avançados, melhores práticas e estudos de caso reais na
área de sistemas de recomendação.
○ Link: Google Scholar - Recommender Systems
4. Documentação das Bibliotecas TensorFlow ou PyTorch: Se optar por implementar
o sistema de recomendação utilizando redes neurais, as documentações do
TensorFlow ou PyTorch fornecem guias detalhados sobre a construção de modelos
personalizados e o uso de técnicas avançadas de Machine Learning.
○ Link: TensorFlow Documentation
Projeto
Você foi contratado como cientista de dados por uma plataforma de streaming de filmes,
que está passando por um momento de expansão. O objetivo principal da empresa é
aumentar o tempo de engajamento dos usuários e melhorar a satisfação geral com o
serviço. Atualmente, os usuários estão sobrecarregados pela vasta quantidade de filmes
disponíveis e muitas vezes têm dificuldades em encontrar títulos que correspondam aos
seus gostos pessoais. Para resolver esse problema, você foi incumbido de desenvolver um
sistema de recomendação de filmes eficiente, capaz de sugerir títulos relevantes para cada
usuário com base em suas preferências e no histórico de avaliações.
O sistema será implementado na plataforma de streaming, podendo ser acessado pelos
usuários da plataforma, servido para melhorar a experiência deles, aumentar o
engajamento, facilitando a descoberta de novos filmes, elevando a satisfação e a lealdade
do cliente à plataforma.
Construindo o Portfólio
● Relatório: Elabore um relatório completo, incluindo:
○ Introdução: Apresente o problema e a importância dos sistemas de
recomendação.
○ Metodologia: Descreva os dados utilizados, o pré-processamento, o
modelo escolhido e a avaliação.
○ Resultados: Apresente os resultados obtidos, incluindo métricas de
avaliação e exemplos de recomendações.
○ Discussão: Discuta os resultados, as limitações do modelo e as
possíveis melhorias.
3. OBJETIVOS:
Construir um sistema de recomendação de filmes utilizando técnicas de Data Science e
Machine Learning. O objetivo é criar um modelo capaz de sugerir filmes aos usuários com
base em suas preferências.
4. REQUISITOS:
● Coleta de dados: Utilize um conjunto de dados público de avaliações de filmes.
Sugestão: MovieLens no Kaggle:
https://www.kaggle.com/search?q=MovieLens+Dataset+datasetFileTypes%3Acsv )
ou construa sua própria base de dados.
● Análise exploratória: Explore os dados para entender a distribuição das avaliações,
a popularidade dos filmes e os usuários mais ativos.
● Pré-processamento: Prepare os dados para a modelagem, criando matrizes de
avaliações e tratando valores ausentes.
● Modelagem: Implemente um algoritmo de recomendação colaborativo ou um
algoritmo híbrido, combinando informações colaborativas e baseadas em
conteúdo.
● Vídeo explicativo: Grave um vídeo apresentando seu projeto, explicando as etapas
realizadas, os desafios encontrados e os resultados obtidos.
● Dica: Sugiro que utilizem bibliotecas como TensorFlow ou PyTorch para
implementar os algoritmos de recomendação.
Fontes de Pesquisa Primária:
1. MovieLens Dataset: Um dos conjuntos de dados mais utilizados para sistemas de
recomendação, disponível no Kaggle, que oferece uma vasta coleção de avaliações
de filmes realizadas por usuários. Este dataset pode ser utilizado para treinar e
testar o sistema de recomendação desenvolvido no projeto.
○ Link: MovieLens Dataset no Kaggle
2. Documentação da Biblioteca Surprise: A biblioteca Surprise é uma ferramenta
poderosa para construção de sistemas de recomendação. A documentação oficial
oferece exemplos, guias e referências detalhadas sobre como utilizar os diversos
algoritmos de recomendação disponíveis.
○ Link: Surprise Documentation
3. Artigos Acadêmicos sobre Recommender Systems: Publicações acadêmicas e
papers em plataformas como IEEE Xplore, Google Scholar, e arXiv oferecem
insights sobre algoritmos avançados, melhores práticas e estudos de caso reais na
área de sistemas de recomendação.
○ Link: Google Scholar - Recommender Systems
4. Documentação das Bibliotecas TensorFlow ou PyTorch: Se optar por implementar
o sistema de recomendação utilizando redes neurais, as documentações do
TensorFlow ou PyTorch fornecem guias detalhados sobre a construção de modelos
personalizados e o uso de técnicas avançadas de Machine Learning.
○ Link: TensorFlow Documentation