Chapitre 1 : Introduction aux systèmes de recommandation

1.1 Principaux algorithmes de recommandation
1.2 Cas d'application des systèmes de recommandation

Chapitre 2 Systèmes de recommandation de base

2.1 Lecture des données
2.2 Méthode des produits populaires
2.3 Mesure de la précision du système de recommandation
2.4 Recommandations par groupe d'utilisateurs
2.5 Recommandations de filtrage basées sur le contenu

Chapitre 3 Systèmes de recommandation par filtrage collaboratif (FC)

3.1 Principes du filtrage collaboratif
3.2 Indice de similarité
3.3 Algorithme CF de base
3.4 CF en pensant aux voisins
3.5 Détermination de la taille optimale du voisinage
3.6 CF prenant en compte les tendances d'évaluation des utilisateurs
3.7 Autres moyens d'améliorer la précision du CF
3.8 CF basé sur l'utilisateur et CF basé sur l'article
3.9 Indicateurs de mesure de la performance des systèmes de recommandation

Chapitre 4 Recommandations basées sur la factorisation matricielle (MF)

4.1 Principe de la méthode de factorisation matricielle (MF)
4.2 Algorithme MF utilisant la descente de gradient stochastique (SGD)
4.3 Algorithme MF de base utilisant SGD
4.4 Algorithme MF séparé pour l'entraînement et le test
4.5 Détermination des paramètres optimaux pour MF
4.6 MF et SVD

Chapitre 5 Machines de factorisation (MF)

Norme FM 5.1
5.2 Modification de la formule FM
5.3 Apprentissage FM
5.4 Transformation des données FM
5.5 Implémentation de FM en Python

Chapitre 6 : Systèmes de recommandation utilisant l’apprentissage profond

6.1 Conversion de la factorisation matricielle (MF) en un réseau de neurones
6.2 Implémentation de MF avec Keras
6.3 Système de recommandation utilisant l'apprentissage profond
6.4 Ajout de variables à un modèle d'apprentissage profond

Chapitre 7 Recommandations relatives à l'utilisation des auto-encodeurs (AE)

7.1 Principe de l'auto-encodeur
7.2 Mise en œuvre d'un système de recommandation utilisant des auto-encodeurs

Chapitre 8 Systèmes de recommandation utilisant des transformateurs

8.1 Transformateur
8.2 Comment utiliser Transformer pour obtenir des recommandations
8.3 Mise en œuvre d'un système de recommandation avec Transformer

Chapitre 9 Recommandations relatives à l’utilisation de grands modèles de langage (LLM)

9.1 Méthodes de recommandation utilisant LLM
9.2 Recommandations utilisant des invites
9.3 Recommandations utilisant des embeddings

Chapitre 10 Systèmes de recommandation hybrides

10.1 Avantages des systèmes de recommandation hybrides
10.2 Principes des systèmes de recommandation hybrides
10.3 Exemple de système de recommandation hybride (combinaison de CF et de MF)

Chapitre 11 Utilisation des matrices creuses pour le traitement des données à grande échelle

11.1 Concept et utilisation des matrices creuses en Python
11.2 Application des matrices creuses aux algorithmes de recommandation

Chapitre 12 : Enjeux liés à la construction de systèmes de recommandation

12.1 Nouveaux utilisateurs et éléments (Problème de démarrage à froid)
12.2 Évolutivité
12.3 Comment utiliser les recommandations (Présentation)
12.4 Utilisation des données binaires
12.5 Obtention de données d'évaluation indirectes auprès des utilisateurs

Les recommandations personnalisées consistent à analyser les intérêts et les préférences de chaque individu et à recommander des informations ou des produits qui correspondent à ces intérêts et préférences.
Grâce à la possibilité de recueillir des informations détaillées sur les clients, les recommandations personnalisées deviennent de plus en plus populaires et constituent une technologie fondamentale pour les entreprises développant de nouveaux services.
La technologie de recommandation personnalisée est principalement utilisée pour fournir des services de recommandation comme Amazon ou Netflix, mais elle peut également être appliquée à divers domaines tels que la publicité ou la conception de pages Web qui nécessitent des services personnalisés.

Un autre domaine où les algorithmes de recommandation sont utilisés plus récemment est celui des agents d'IA. Ces agents sont des systèmes d'IA qui comprennent les préférences et les besoins des utilisateurs et effectuent diverses tâches pour leur compte.
Les tâches effectuées par les agents d'IA pour les utilisateurs vont de missions relativement simples, comme la collecte et l'organisation d'informations, à la planification, la sélection de produits à acheter et la négociation au nom de l'utilisateur. Pour que les agents d'IA fonctionnent efficacement, il est primordial de comprendre les préférences et les besoins de l'utilisateur, et les algorithmes de recommandation personnalisés sont parfaitement adaptés à cet effet.
En effet, comprendre les préférences d'un individu est fondamental pour fournir des recommandations personnalisées.

L'objectif principal de ce livre est d'aider les lecteurs à comprendre le fonctionnement des principaux algorithmes de recommandation personnalisée.
À cette fin, cet ouvrage couvre l'ensemble du contenu de la technologie de recommandation personnalisée, et plus particulièrement la technologie de recommandation personnalisée utilisant des valeurs continues.
Plus précisément, il couvre les algorithmes d'apprentissage automatique tels que le filtrage collaboratif et la factorisation matricielle, ainsi que les algorithmes de recommandation d'apprentissage profond.
Nous expliquons également les recommandations concernant l'utilisation de grands modèles de langage (LLM), qui sont largement utilisés de nos jours.
Nous abordons ici brièvement les systèmes de recommandation hybrides qui combinent plusieurs algorithmes de recommandation, ainsi que les problèmes liés à la construction de ces systèmes.

Ce livre ne traite pas de tout ce qui concerne les techniques de recommandation personnalisée.
La mise en œuvre d'un véritable système de recommandation personnalisé nécessite une compréhension des algorithmes, du prétraitement des données et du traitement des données à grande échelle, mais ces sujets ne sont pas abordés dans ce livre.
Ce livre explique les principes de base de chaque algorithme et fournit des exemples de la manière dont chaque algorithme peut être implémenté en Python.
L'objectif principal de cet ouvrage n'étant pas d'expliquer les algorithmes mathématiquement, les formules se limitent à celles absolument nécessaires à leur compréhension.
Nous avons également ajouté des exercices pratiques pour aider les lecteurs à comprendre et leur donner l'occasion de s'exercer par eux-mêmes.

Lors de la rédaction de ce livre, j'ai essayé de le structurer de manière à ce que même ceux qui n'ont pas de connaissances approfondies en informatique ou en mathématiques puissent facilement comprendre le fonctionnement des algorithmes de recommandation personnalisés.
Cependant, la partie codage utilisant Python est expliquée en supposant que vous possédez des connaissances de base en Python.
En d'autres termes, la grammaire de base de Python ou les explications de base de Numpy, Pandas, Tensorflow, etc. ont été omises, et l'accent a été mis sur l'explication des algorithmes qui les utilisent.
Parmi les techniques d'analyse, la descente de gradient stochastique (SGD) est présentée comme une technique importante, une connaissance de base de celle-ci est donc également nécessaire.
De plus, pour comprendre les algorithmes de recommandation qui utilisent Transformer ou LLM, une compréhension de base de l'algorithme Transformer et de LLM est nécessaire.
Pour les lecteurs qui ne sont pas familiers avec ce sujet, il est recommandé d'apprendre d'abord les bases de la syntaxe Python, comment utiliser des modules supplémentaires tels que Numpy, Pandas et Tensorflow, les bases de SGD, Transformer et LLM, puis de lire ce livre.

Si vous suivez ce livre du début à la fin, je pense que vous comprendrez les principes de base des différents algorithmes utilisés dans les systèmes de recommandation personnalisés.
J'espère que ce livre sera utile à ceux qui s'intéressent à la construction de systèmes de recommandation, de systèmes personnalisés et d'agents d'IA utilisant ces systèmes, ou qui mènent des recherches sur ce sujet.