Projeto de Recomendação de Filmes

Este projeto implementa um sistema de recomendação de filmes utilizando o cálculo de distância de vetores. Abaixo estão os detalhes técnicos e as etapas envolvidas:

Detalhes Técnicos

• Linguagem de Programação: Python foi a linguagem principal utilizada devido à sua ampla variedade de bibliotecas de processamento de dados e aprendizado de máquina, como pandas, numpy, scikit-learn, entre outras.

• Pré-processamento dos Dados:

  • Limpeza de Dados: Os dados foram inicialmente tratados para lidar com valores ausentes, duplicatas e outras inconsistências. Isso envolveu o uso de técnicas como preenchimento de valores nulos, remoção de registros duplicados e correção de erros de dados.
  • Junção de Tabelas: Diferentes conjuntos de dados de filmes, como informações de título, gênero, elenco e avaliações, foram combinados em um único conjunto de dados para análise e modelagem.

• Redução de Dimensionalidade:

  • Técnicas como Análise de Componentes Principais (PCA) ou decomposição de matriz foram aplicadas para reduzir a dimensionalidade dos vetores de características dos filmes. Isso ajuda a simplificar a complexidade dos dados e melhorar a eficiência dos algoritmos de recomendação.

• Transformação de Texto para Vetores:

  • Sinopses de filmes e outras informações textuais foram transformadas em representações vetoriais usando métodos como TF-IDF (Term Frequency-Inverse Document Frequency). Isso permite que os algoritmos de recomendação compreendam e comparem o conteúdo textual dos filmes.

• Cálculo de Distância de Vetores:

  • O cálculo de distância entre vetores foi utilizado para medir a similaridade entre os filmes com base nas características transformadas.similaridade de cosseno, entre outras, para identificar filmes semelhantes.

Uso do Docker

Construção e Execução do Contêiner

Para construir e executar o projeto utilizando Docker Compose, siga os passos abaixo:

Construção do Contêiner

• Construção do docker

 docker compose build

• Construção do docker

 docker compose up 

Durante a inicialização do contêiner, um token de acesso ao JupyterLab será gerado e exibido nos logs. Você poderá acessar o JupyterLab utilizando uma das URLs abaixo:

• http://localhost:8888/lab?token={token gerado}

Certifique-se de substituir {token gerado} pelo token específico que foi exibido nos logs do contêiner durante a inicialização.