Récapitulation et examen final

Dix modules pour passer d'une matrice creuse à un moteur de recommandation évalué. Voici le cours condensé, puis les fils qui le traversent.

Le cours d'un coup d'œil

Module	L'essentiel à retenir
1. Formuler le problème	Classement top-k, pas régression ; implicite abondant mais ambigu ; matrice extrêmement creuse
2. Voisinage collaboratif	Objet-objet plus stable qu'utilisateur-utilisateur ; s'effondre sous 0,5 % de densité
3. Factorisation matricielle	$\hat{R}_{u,i} = \mu + b_u + b_i + p_u^{\top} q_i$ ; entraîner sur les observés uniquement ; régularisation cruciale
4. Filtrage par contenu	Plongements de descriptions, profil utilisateur agrégé ; bulle de filtre à corriger
5. Approches hybrides	Pondération, commutation, enrichissement ; LightFM pour la production
6. Deux tours et plongements	Tours indépendantes, échantillonnage négatif, récupération puis classement, FAISS
7. Démarrage à froid	Objet par contenu, utilisateur par popularité et questionnaire, exploration Thompson
8. Métriques de classement	Rappel@k, NDCG@k, couverture, diversité ; la RMSE ne mesure pas le classement
9. Biais de position	Confiance de Hu-Koren-Volinsky, IPS avec clipping, journaliser la position
10. Projet évalué	Découpage temporel, tableau comparatif, A/B test contrôlé, limites nommées

Les fils qui traversent le cours

Recommander, c'est classer un catalogue. Toute la logique du cours découle de ce point posé dès le module 1. Choisir la RMSE parce qu'elle est familière conduit à optimiser une métrique déconnectée du produit. Choisir le rappel, le NDCG, la couverture et la diversité oriente les décisions dans le sens de l'expérience réelle. Cette bascule mentale, faite tôt, évite des mois de raffinements techniques sans effet sur les indicateurs métier.

La matrice est presque vide et le restera. Sur InSkillML comme sur MovieLens ou Amazon, la densité tourne autour de 1 %, souvent moins. Cette rareté explique pourquoi le voisinage collaboratif atteint vite ses limites (module 2), pourquoi la factorisation régularisée existe (module 3), pourquoi le contenu apporte la robustesse aux nouveautés (module 4), et pourquoi le démarrage à froid mérite un module entier (module 7). Chaque décision d'architecture doit se relire à travers cette lentille : que fait mon modèle quand un couple $(u, i)$ n'a aucun voisin observé ?

La rétroaction implicite est un signal contaminé. Un clic ne mesure ni la préférence pure ni le rejet ; il mesure préférence, exposition et biais de position mélangés. Ignorer cette contamination — traiter chaque clic comme un signal positif propre et chaque non-clic comme un rejet — entraîne un modèle qui apprend surtout ses propres décisions passées. La pondération par confiance du module 9, l'IPS et la journalisation de la position sont les outils qui rendent l'implicite utilisable sans que la boucle se referme.

L'évaluation hors ligne informe, elle ne décide pas. Les métriques de classement éliminent les mauvais candidats et guident l'entraînement, mais elles ne mesurent pas la qualité perçue en production. Toute mise en ligne d'un nouveau moteur passe par un A/B test avec métriques primaires métier et garde-fous produit. C'est le seul cadre qui capte les effets qu'aucune métrique hors ligne ne peut voir : la surprise agréable, l'aversion à la répétition, la fatigue thématique.

Contenu et collaboratif se complètent, ils ne se remplacent pas. Le contenu porte la robustesse aux nouveautés et casse la bulle de popularité. Le collaboratif porte la personnalisation fine et absorbe les signaux qu'aucune description ne trahit. Un moteur mature ne choisit pas entre les deux : il les combine, avec le poids qui varie selon la maturité de l'utilisateur et du cours (modules 5 et 7).

L'examen final

L'examen comporte 40 questions couvrant les dix modules : formulation d'un problème comme classement plutôt que régression, calcul manuel d'un NDCG, choix entre voisinage utilisateur et objet selon le ratio des dimensions de la matrice, réglage de la régularisation d'une factorisation, mécanique de l'échantillonnage négatif et du correcteur de popularité, stratégies de démarrage à froid, correction du biais de position par propension inverse, découpage temporel pour l'évaluation, et lecture d'un tableau comparatif rappel-NDCG-couverture.

Plusieurs questions présentent des situations à diagnostiquer : un modèle qui affiche une excellente RMSE et un mauvais NDCG, un moteur qui améliore ses métriques hors ligne mais dégrade la couverture, un pipeline qui applique une SVD naïve sur une matrice creuse, une équipe qui traite chaque non-clic comme un rejet. C'est le jugement qui est évalué, pas la récitation de formules.

En cas de réussite, votre attestation d'achèvement est délivrée immédiatement ; son numéro est vérifiable par tout tiers sur la plateforme.

Avant de commencer

Reprenez le tableau ci-dessus et, pour chaque ligne, demandez-vous « comment verrais-je que je me trompe ici ? ». Si vous savez dire pourquoi une SVD naïve écrase les prédictions vers zéro, pourquoi un modèle à deux tours sans correcteur de popularité recommande toujours les mêmes cours, et pourquoi un découpage aléatoire flatte le NDCG, vous êtes prêt. Bonne chance !

Examen final

Prêt à valider ce cours ?

40 questions tirées au hasard dans la banque du cours · seuil de réussite 70 % · certificat PDF vérifiable délivré immédiatement en cas de réussite.

Commencer l'examen

Connexion à votre compte InSkillML et abonnement actif requis. Vous pouvez aussi lancer l'examen depuis Mes cours.