Systèmes de recommandation 2024-2025 PDF

UNIVERSITE HASSAN 2, CASABLANCA ECOLE SUPERIEURE DE TECHNOLOGIE CASABLANCA Année universitaire : 2024-2025 LES SYSTEMES DE RECOMMANDATION MODULE 354: INTELLIGENCE ARTIFICIELLE PROFESSEUR : Mme. BENGHACHOUA Widad RÉALISÉE PAR : RIFKI Lina, JALLOUN Asmaa...

UNIVERSITE HASSAN 2, CASABLANCA ECOLE SUPERIEURE DE TECHNOLOGIE CASABLANCA Année universitaire : 2024-2025 LES SYSTEMES DE RECOMMANDATION MODULE 354: INTELLIGENCE ARTIFICIELLE PROFESSEUR : Mme. BENGHACHOUA Widad RÉALISÉE PAR : RIFKI Lina, JALLOUN Asmaa FILIÈRE : Licence IEAIA “Ingénierie Electronique, Automatique et Intelligence Artificielle”  Introduction 1 Les SR, leurs importance dans IA 2 Principes de bases et types des données utilisées 3 PLAN Les types des SR 4 Techniques utilisées & Application des SR 5 Conclusion 6 Introduction 1 Introduction 1 Les SR, leurs importance dans IA 2  Un système de recommandation  Importance dans l’Intelligence Artificielle 2 Aide à 1 2 3 Augmentation Personnalisation la Prise de l'Engagement de l'Expérience de Décision et des Ventes Utilisateur Principes de bases et types des données utilisées 3 Collecte de Données Utilisateur Exploitation des Données  Collecte de Données Utilisateur Recueillir des informations sur les utilisateurs et leur environnement en se basant sur : Comportement utilisateur : Actions telles que les clics, les achats, l’historique de navigation, ou le temps passé sur un contenu. Exemple : Suivre les vidéos regardées sur YouTube pour proposer des recommandations similaires.  Collecte de Données Utilisateur Recueillir des informations sur les utilisateurs et leur environnement en se basant sur : Préférences déclaratives : Données fournies directement par les utilisateurs, comme les notes, les commentaires, ou les choix explicites. Exemple : Un utilisateur attribue 5 étoiles à un film sur Netflix, indiquant son appréciation.  Collecte de Données Utilisateur Recueillir des informations sur les utilisateurs et leur environnement en se basant sur : Données contextuelles Informations liées à l’environnement, telles que la localisation, l’appareil utilisé, ou l’heure d’utilisation. Exemple : Proposer des playlists adaptées à l’heure sur Spotify; (matinée active, soirée relaxante).  Analyser les données pour générer des recommandations pertinentes : Extraction de motifs de similarité: L’identification de comportements répétitifs ou de tendances dans les données utilisateur. Matrices de similarité Un utilisateur regarde fréquemment des vidéos de tutoriels sur YouTube → proposer des vidéos similaires. Sur Amazon, un utilisateur qui achète un appareil photo achète souvent une carte mémoire → suggérer cet accessoire. Exploitation des Données  Analyser les données pour générer des recommandations pertinentes : Prédiction des préférences :Utilisation de ces données pour anticiper les contenus, produits ou services qui pourraient plaire à l'utilisateur. Netflix prédit les séries ou films à recommander en fonction des habitudes de visionnage. Exploitation des Données Types des données utilisées 3  Types des données utilisées 3 Implicites Explicites Informations Informations fournies collectées sans directement par interaction directe de l’utilisateur. l’utilisateur.  Notes ou  Clics sur des évaluations (par articles ou vidéos. exemple, 4 étoiles  Historique de sur 5). navigation ou  Commentaires ou d’achats. avis écrits.  Temps passé sur  Préférences une page ou un déclarées (choix contenu. d’un genre de film). Les types des SR 4  Les types des systèmes de recommandation  1.Basés sur le Contenu Les types des systèmes de recommandation  1.Basés sur le Contenu Les types des systèmes Exemple: de recommandation Limites: recommandations peu diversifiées.  Les types des systèmes de recommandation  2. Collaboratifs Les types des systèmes de recommandation Limites: Démarrage à froid.  2. Collaboratifs Exemple: Les types des systèmes de recommandation  Les types des systèmes de recommandation 3. Hybrides Les types des systèmes de recommandation Exemple: Netflix, Amazon. 3. Hybrides Les types des systèmes de recommandation Exemple: Netflix, Amazon.  Les types des systèmes de recommandation Techniques utilisées 5  Les approches classiques basées sur des statistiques offrent une Modèles bonne base pour les tatistiqu recommandations: Matrices de s cohérence, Algorithmes de Ces modèles exploitent la puissance Voisinage Modèles de l’apprentissage automatique vancés Techniques pour des recommandations plus ’IA sophistiquées : Utilisées Deep Learning, Systèmes Basés sur tilisation des KNNGraphes (K-Nearest Neighbors) es SVD (Singular Value Decomposition) lgorithm Apprentissage par Renforcement s  Les approches classiques basées sur des statistiques offrent une Modèles bonne base pour les Statistiqu recommandations: Matrices de es cohérence, Algorithmes de Ces modèles exploitent la puissance Voisinage Modèles de l’apprentissage automatique Techniques Avancés pour des recommandations plus Utilisées d’IA sophistiquées : Deep Learning, Systèmes Basés sur Utilisation des KNNGraphes (K-Nearest Neighbors) des SVD (Singular Value Decomposition) Algorithm Apprentissage par Renforcement es Application des systèmes de recommandation 5 01 Application 02 des systèmes de recommandation 03  E-COMMERCE 01 Dans le commerce électronique, les systèmes de recommandation, comme ceux utilisés par Amazon et Alibaba, suggèrent des produits en fonction des préférences et comportements des utilisateurs, permettant d’augmenter les ventes, améliorer l'expérience de l’utilisateur. Application STREAMING VIDEO ET MUSIQUE : 02 des systèmes Les plateformes comme Netflix, Spotify et YouTube utilisent des systèmes de recommandation pour proposer des contenus personnalisés, augmentant le temps passé sur la plateforme, la de recommandation satisfaction des utilisateurs et la découverte de nouveaux contenus. RESEAUX SOCIAUX : 03 Les réseaux sociaux comme Facebook, Instagram et TikTok personnalisent les flux, les suggestions d'amis et les contenus grâce à des systèmes de recommandation basés sur les interactions et intérêts des utilisateurs. Conclusion 6  UNIVERSITE HASSAN 2, CASABLANCA ECOLE SUPERIEURE DE TECHNOLOGIE CASABLANCA Année universitaire : 2024-2025 “LES SYSTEMES DE RECOMMANDATION” MODULE 354: INTELLIGENCE ARTIFICIELLE PROFESSEUR : Mme. BENGHACHOUA Widad RÉALISÉE PAR : RIFKI Lina, JALLOUN Asmaa FILIÈRE : Licence IEAIA “Ingénierie Electronique, Automatique et Intelligence Artificielle”