Recommender Systems Exercises

This repository contains exercises completed during the Recommender Systems subject. The exercises focus on various filtering techniques and evaluation methods commonly used in recommender systems. Each folder contains a Jupyter notebook corresponding to a specific topic.

Structure

• 02-Collaborative-filtering-1: Introduction to collaborative filtering methods.
• 03-Collaborative-filtering-2: Advanced techniques in collaborative filtering.
• 04-content-filtering: Content-based filtering approaches.
• 05-evaluation: Evaluation metrics for recommender systems.
• 06-hybrid-filtering: Combining multiple filtering techniques.
• 07-knowledge-filtering: Knowledge-based filtering methods.
• 08-ranking: Ranking techniques in recommendations.
• 09-context: Context-aware recommendations.
• 10-sequential: Sequential pattern-based recommendations.

Prerequisites

• Python 3.x
• Jupyter Notebook
• Numpy
• Pandas

Usage

To run the notebooks:

1. Clone the repository:

   git clone https://github.com/bm-coelho/learning-recommender-systems.git

2. Navigate to the desired folder and launch Jupyter Notebook:

   cd learning-recommender-systems/<folder-name>
   jupyter notebook

---

Exercícios de Sistemas de Recomendação

Este repositório contém os exercícios realizados durante a disciplina de Sistemas de Recomendação. Os exercícios abordam várias técnicas de filtragem e métodos de avaliação comumente usados em sistemas de recomendação. Cada pasta contém um notebook Jupyter correspondente a um tópico específico.

Estrutura

• 02-Collaborative-filtering-1: Introdução aos métodos de filtragem colaborativa.
• 03-Collaborative-filtering-2: Técnicas avançadas de filtragem colaborativa.
• 04-content-filtering: Abordagens de filtragem baseadas em conteúdo.
• 05-evaluation: Métricas de avaliação para sistemas de recomendação.
• 06-hybrid-filtering: Combinação de múltiplas técnicas de filtragem.
• 07-knowledge-filtering: Métodos de filtragem baseados em conhecimento.
• 08-ranking: Técnicas de ranqueamento em recomendações.
• 09-context: Recomendações sensíveis ao contexto.
• 10-sequential: Recomendações baseadas em padrões sequenciais.

Pré-requisitos

• Python 3.x
• Jupyter Notebook
• Numpy
• Pandas

Uso

Para executar os notebooks:

1. Clone o repositório:

   git clone https://github.com/bm-coelho/learning-recommender-systems.git

2. Navegue até a pasta desejada e inicie o Jupyter Notebook:

   cd learning-recommender-systems/<nome-da-pasta>
   jupyter notebook

---