Analyse avancée avec PySpark

Chapitre 3. Recommander de la musique et l'ensemble de données Audioscrobbler

Cet ouvrage a été traduit à l'aide de l'IA. Tes réactions et tes commentaires sont les bienvenus : [e-mail]

Le moteur de recommandation est l'un des exemples les plus populaires d'apprentissage automatique à grande échelle ; par exemple, la plupart des gens connaissent celui d'Amazon. C'est un dénominateur commun car les moteurs de recommandation sont partout, des réseaux sociaux aux sites de vidéos en passant par les détaillants en ligne. Nous pouvons également les observer directement en action. Nous savons qu'un ordinateur choisit les titres à écouter sur Spotify, de la même façon que nous ne remarquons pas nécessairement que Gmail décide si les courriels entrants sont des spams.

Le résultat d'un recommandeur est plus intuitivement compréhensible que d'autres algorithmes d'apprentissage automatique. C'est même passionnant. Autant nous pensons que les goûts musicaux sont personnels et inexplicables, autant les recommandeurs font un travail étonnamment bon pour identifier des morceaux que nous ne savions pas que nous aimerions. Dans des domaines comme la musique ou les films, où les recommandeurs sont souvent déployés, il est relativement facile d'expliquer pourquoi un morceau de musique recommandé correspond à l'historique d'écoute d'une personne. Tous les algorithmes de regroupement ou de classification ne correspondent pas à cette description. Par exemple, un classificateur ...