Ecosyste.ms: Awesome
An open API service indexing awesome lists of open source software.
https://github.com/darkshadowcoder/ai-based-cloud-deployed-movie-recommendation-system
In this repository, I design an online movie recommendation system using Machine learning-deep learning and deployed on Azure
https://github.com/darkshadowcoder/ai-based-cloud-deployed-movie-recommendation-system
api deep-neural-networks flask-backend machine-learning-algorithms movie-recommendation reactjs test-automation
Last synced: about 7 hours ago
JSON representation
In this repository, I design an online movie recommendation system using Machine learning-deep learning and deployed on Azure
- Host: GitHub
- URL: https://github.com/darkshadowcoder/ai-based-cloud-deployed-movie-recommendation-system
- Owner: DarkShadowCoder
- License: apache-2.0
- Created: 2023-03-28T01:35:39.000Z (over 1 year ago)
- Default Branch: main
- Last Pushed: 2023-08-16T16:29:44.000Z (over 1 year ago)
- Last Synced: 2023-08-16T18:58:57.557Z (over 1 year ago)
- Topics: api, deep-neural-networks, flask-backend, machine-learning-algorithms, movie-recommendation, reactjs, test-automation
- Language: Python
- Homepage:
- Size: 8.66 MB
- Stars: 1
- Watchers: 2
- Forks: 0
- Open Issues: 0
-
Metadata Files:
- Readme: README.md
- License: LICENSE
Awesome Lists containing this project
README
# Projet de conception d'un systeme de recommandation de contenus basé sur l'intelligence artifcielle
Notre projet consiste en la production d'un algoritheme de recommandation de contenus basé sur l'utilisation d'algorithe de'intelligence artificielle et deployé sur le web à travers un site web
Table de matière
- Description
- Approche utiliséé
- Processus Backend
- Presentaion de l'interface
- Installation et utilisation du site
- Crédits
Description du projet
Description de l'approche utilisée
- La recolte continu de données : Nous avons créer des algorithmes chargés de collecter des données utilisateurs lors de leur connection à l'application.
- Le traitement des données : Ici nous construisons des algorithmes permettant de traiter les données du datasets et des données des utilisateurcollecter sur l'interface afin de les mettre sous un format adequate pour le l'entrainement du modèle d'IA ainsi que la construction des differentes bases de données.
- La construction du modeles d'IA / ici il s'agit de construire le modeles d'IA capable de faire les recommandations de produit eux differents utilisateurs en tenant compte de leur preference. Le modeles se base sur deux principes: Le filtrag collaboratif, qui donnes des recommandations en tenant compte des smilarités de gout entre utilisateurs et
Description du processus backend
Les algorithmes de pretraitement des donneés :
- Le modèle d'IA:
Comment fonctionne t-il?
Grace aux diverses informations de l'utilisateurs de l'application ainsi que des donnnées que nous disposons , nous entrainons un modele d'intelligence artificielle que tient en compte les preferences de l'utilisateur qinsi que
ceux des personnes(autres utilisateurs) ayant des similarités de gout avec celui-ci.
Les données recoltées de l'utilisateurs sont enregistré dans notre base de données pour etres utilisées à leur tour pour servir premierement à la personnalisation des recommandation et
deuxiemement à la recommandation d'autres utilisateurs ayant des similarités avec lui.
Architecture de notre projet
Description de l'architecture
Le projet se focalise sur 3 principaux point:
le filtrage de contenus qui tient compte de la popularite d'un produits par rapport aux prefernce de l'utilisateur pour ces recommandations.
Le processus de recommandation est basé sur 2 points clés : Le pretraitement de données et la recommandation par le modeles d'IA, tous les deux codés en python.
Les alogorithemes de pretraitement de données premettent de metre en forme les données recoltée pour l'entrainement du modeles d'IA.
En python, dans un pipeline de pretraitement prealablement cré, nous construisons successivement des algorithe permettant de mettre à jour, nettoyer, analyser et encoder les données suivant des normes etablies dans le cahier de charge pour pouvoir affiner les recommanadation.
Comment cela se passe?
Une fois les données recoltées et constituant notre dataset, nous trions les données obsolètes, nous effacons les donneés non-necessaires à la conception de notre modele, nous standardisons les données puis nous creons les porgramme permettant de faire un analyse sentiment pour les données de types textes.
Apres cela nous nettoyons et analysons les données de notre datasets nettoyé pour l'encodage de ceux-ci.
Une fois cela terminer, nous enregistrons les données utiles à notre algorithme dans des bases de données pour une meilleur utilisation lors de la recolte des données utilisateur.
Le modele d'IA se focalise pincipalement sur les preference de l'utilisateur concerné par la recommandation. C'est à dire que le systeme ne recommnade que les rpoduits susceptibles de plaire à l'utilisateur en fonction des données recoltées.
Comment ça marche?
Une fois l'utilisateur connecté , il lui est demandé d'entrrer ses preferences ou de les choisir parmis un collection d'articles proposés.
premierement, les données collectées de l'utislisateur sont analysées et traiter par les algorithmes de pretraitement des données et stocker dans des bases de données pour l'entrainement du modèle d'IA.Ensuite, nous utilisons le principe
Installation et utilisation du projet
Docker. Docker est un logiciel qui permet de créer et de gérer des conteneurs, qui sont des environnements isolés pour exécuter des applications. Pour installer Docker, vous devez suivre les étapes suivantes, selon votre système d’exploitation:
sudo apt update
sudo apt install apt-transport-https ca-certificates curl software-properties-common
curl -fsSL https://download.docker.com/linux/ubuntu/gpg | sudo apt-key add
sudo add-apt-repository "deb [arch=amd64] https://download.docker.com/linux/ubuntu focal stable"
sudo apt update
sudo apt install docker-ce
Pour consulter le site web , telecharger l'image docker du projet qui sont des fichiers contenant les divers services de l'applications.Dans l'invite de commande, éxecuter la commande suivante:
docker pull test-driven-app
Pour executer le conteneur, inserer la commande:
docker run -it test-driven-app
git clone https://github.com/DarkShadowCoder/AI-based-cloud-deployed-movie-recommendation-system.git
source ./env/bin/activate
pip install -r requirements.txt
npm start
Crédits
Langages utilisés
Me contacter
