Sistemas de Recomendación

# Descripción

Proyecto completo de sistemas de recomendacion con tres enfoques clasicos: Collaborative Filtering (User-User e Item-Item basado en similitud coseno), Matrix Factorization SVD (descomposicion en factores latentes con scikit-surprise, validacion cruzada 5-fold), y Content-Based Filtering (recomendacion basada en categorias de items). Dataset sintetico realista con 300 usuarios, 60 items y 5,000 ratings (72% sparse). Incluye visualizacion de matriz usuario-item, factores latentes, similitud de contenido y error por item.

$ ./deploy.sh $ git clone

# Características principales

$ Collaborative Filtering User-User e Item-Item con similitud coseno

$ Matrix Factorization SVD con validacion cruzada 5-fold

$ Content-Based Filtering basado en categorias de items

$ Top-5 recomendaciones personalizadas por usuario

$ Metricas de evaluacion RMSE y MAE para cada enfoque

$ Visualizacion de factores latentes y similitud de contenido

$ Comparativa de 3 enfoques con 5,000 ratings sinteticos

# Galería

Vista escritorio

Vista movil

# Tecnologías utilizadas

Python scikit-surprise scikit-learn NumPy Matplotlib