Artwork

Contenu fourni par Sanket Gupta. Tout le contenu du podcast, y compris les épisodes, les graphiques et les descriptions de podcast, est téléchargé et fourni directement par Sanket Gupta ou son partenaire de plateforme de podcast. Si vous pensez que quelqu'un utilise votre œuvre protégée sans votre autorisation, vous pouvez suivre le processus décrit ici https://fr.player.fm/legal.
Player FM - Application Podcast
Mettez-vous hors ligne avec l'application Player FM !

Overview of Netflix and Spotify like recommendation engines

13:28
 
Partager
 

Manage episode 243278356 series 2550866
Contenu fourni par Sanket Gupta. Tout le contenu du podcast, y compris les épisodes, les graphiques et les descriptions de podcast, est téléchargé et fourni directement par Sanket Gupta ou son partenaire de plateforme de podcast. Si vous pensez que quelqu'un utilise votre œuvre protégée sans votre autorisation, vous pouvez suivre le processus décrit ici https://fr.player.fm/legal.

In this episode, we cover the two main types of recommendation engines used at companies like Netflix and Spotify.

1) Content based recommendation systems use the genres or tags of each product to find other similar products to recommend to users.
2) Collaborative filtering based recommendation systems use user activity and user ratings on the website to recommend products.

We go through the pros and cons of each, the challenges, how do companies like Netflix and Spotify scale their recommendation engines for millions of users and more!

My code in the Github repo which implements these concepts from scratch using MovieLens dataset.

Links:
1) Youtube talk by Xavier Amatriain from Netflix
2) Youtube talk on "Machine Learning & Big Data for Music Discovery presented by Spotify"
3) Youtube tutorial by Luis Serrano on how Netflix recommends movies

#netflix #spotify #movielens #recommendations #recommendation-engines

--- Send in a voice message: https://podcasters.spotify.com/pod/show/the-data-life-podcast/message Support this podcast: https://podcasters.spotify.com/pod/show/the-data-life-podcast/support
  continue reading

27 episodes

Artwork
iconPartager
 
Manage episode 243278356 series 2550866
Contenu fourni par Sanket Gupta. Tout le contenu du podcast, y compris les épisodes, les graphiques et les descriptions de podcast, est téléchargé et fourni directement par Sanket Gupta ou son partenaire de plateforme de podcast. Si vous pensez que quelqu'un utilise votre œuvre protégée sans votre autorisation, vous pouvez suivre le processus décrit ici https://fr.player.fm/legal.

In this episode, we cover the two main types of recommendation engines used at companies like Netflix and Spotify.

1) Content based recommendation systems use the genres or tags of each product to find other similar products to recommend to users.
2) Collaborative filtering based recommendation systems use user activity and user ratings on the website to recommend products.

We go through the pros and cons of each, the challenges, how do companies like Netflix and Spotify scale their recommendation engines for millions of users and more!

My code in the Github repo which implements these concepts from scratch using MovieLens dataset.

Links:
1) Youtube talk by Xavier Amatriain from Netflix
2) Youtube talk on "Machine Learning & Big Data for Music Discovery presented by Spotify"
3) Youtube tutorial by Luis Serrano on how Netflix recommends movies

#netflix #spotify #movielens #recommendations #recommendation-engines

--- Send in a voice message: https://podcasters.spotify.com/pod/show/the-data-life-podcast/message Support this podcast: https://podcasters.spotify.com/pod/show/the-data-life-podcast/support
  continue reading

27 episodes

Kaikki jaksot

×
 
Loading …

Bienvenue sur Lecteur FM!

Lecteur FM recherche sur Internet des podcasts de haute qualité que vous pourrez apprécier dès maintenant. C'est la meilleure application de podcast et fonctionne sur Android, iPhone et le Web. Inscrivez-vous pour synchroniser les abonnements sur tous les appareils.

 

Guide de référence rapide