Ett försök till ett Tvärkategoriskt Rekommendationssystem som använder Maskininlärning : Med förbehållet att ha limiterade förkunskaper inom de berörda områdena

Machine learning is one of many buzz words in todays tech-world. Huge company resources are allocated to the field in order to discover its potential. Everything from cameras to cars tries to use this technology. However, the question is if developers with little experience in the field can use this technology in a useful way? And how would one proceed with that? This thesis tries to answer these questions by having two third year undergraduate students attempt to implement a multi-category movie recommendation system using machine learning. With the important caveat of neither student having any previous knowledge in machine learning, recommendation systems nor the chosen programming language (Python). An extensive background study was performed in order to obtain knowledge in the different areas. Recommendation systems often use either collaborative, or content-based filtering, or a hybrid of the two. Machine learning uses different algorithms, a selection of these where studied together with available frameworks. In order to implement and design a system, a data-set from MovieLens, containing ratings of movies, and the framework SciKit-learn was used. The implementation tried to use genres in order to give movie recommendations. This was done in two systems, one where every user got a genre-weight and the other system used Nearest Neighbor in order to use the collaborative filtering approach. However, due to the limited time the implementation was not implemented for multiple categories, but the results showed that this should be highly applicable using the proposed design. The thesis showed that even two third year undergraduate students with no prior knowledge in the areas could make use of machine learning in an system implementation. The results of the project was presented in two different parts; Firstly, the system implementation result showed that the accuracy metric was not at a satisfactory level. Even though the concept of using genres as a metric for giving recommendations worked, it was seemingly to simple and broad. Secondly, the project result showed that the majority of the time was spent on the preliminary work and the system implementation. Finally the economical cost of the project was presented.Maskininlärning är ett av många slagord i dagens teknologivärld. Företag allokerar enorma resurser för att avgöra dess potential. Allt ifrån kameror till bilar försöker använda maskininlärning. Frågan är däremot om utvecklare med begränsad erfarenhet inom området kan använda den till något användbart? Och hur skulle man då gå till väga? Detta arbete försöker besvara dessa frågor genom att tillåta två tredjeårs högskoleingenjörsstudenter försöka implementera ett tvärkategoriskt film rekommendationssystem som anväder maskininlärning. Med det viktiga undantaget att ingen av studenterna har några som helst förkunskaper inom maskininlärning, rekommendationssystem eller det valda programmeringsspråket (Python). För att införskaffa den behövda teorin inom områdena genomfördes en omfattande bakgrundsstudie. Rekommendationssytem använder, oftast, antingen samarbets- eller innehållsbaserad filtrering eller en hybrid av de två. Maskininlärning använder olika algoritmer, ett axplock av dessa studerades tillsammans med tillgängliga ramverk. För att kunna implementera och designa ett system och sedan utvärdera den föreslagna designen användes ramverket SciKit-learn samt ett dataset från MovieLens, innehållandes filmbetyg. Denna implementation försökte använda genres för att kunna ge film rekommendationer. Detta gjordes i två system, ett där varje användare fick en genre-vikt och det andra systemet använde Nearest Neighbor för att kunna använda samarbetsfiltrering. Dessvärre, på grund av tidsbrist, implementerades inte systemen för flera kategorier, men resultaten visade att detta borde vara högst möjligt användandes den föreslagna designen. Arbetet visade att två tredjeårs högskoleingenjörsstudenter utan någon tidigare erfarenhet inom områdena kunde använda maskininlärning i en systemimplementation. Resultaten av projektet presenterades i två separata delar; system implementationen visade att träffsäkerheten inte var på en tillfredsställande nivå. Trots att konceptet att använda genres som ett mätvärde för att ge rekomendationer fungerade, verkade det vara för enkelt och brett. Projektresultatet visade att majoriteten av tiden spenderades på det preliminära arbetet och system implmenentationen. Slutligen presenterades den ekonomiska kostnaden för projektet.