Professional Documents
Culture Documents
Informe de Un Seminario Basado en Proyectos Sobre El Sistema de Predicción de Clasificación de Películas
Informe de Un Seminario Basado en Proyectos Sobre El Sistema de Predicción de Clasificación de Películas
Informe de Un Seminario Basado en Proyectos Sobre El Sistema de Predicción de Clasificación de Películas
En
Bajo la guía de
Prof. SM Kamble
Fecha: / / 2021
Lugar: Pune
Hemos examinado este informe del seminario basado en proyectos según los
requisitos de la Universidad Savitribai Phule Pune, Pune en Smt. Facultad de
Ingeniería Kashibai Navale, Pune-41 en _____________
Estoy muy agradecido a todos los profesores que me han brindado una valiosa
orientación para completar este trabajo de seminario sobre el Sistema de recomendación
y predicción de clasificación de películas . Expreso mi más sincero agradecimiento al
departamento cooperativo que me brindó una valiosa ayuda y requisitos para el trabajo del
seminario.
Estoy muy agradecido y quiero expresar mi agradecimiento a la Prof. SM Kamble por
guiarme de la manera correcta, corregir mis dudas brindándole su tiempo cuando lo
necesitaba y brindando su conocimiento y experiencia para que este seminario funcionara.
También agradezco al Jefe de Defensa de nuestro departamento de Tecnología de la
Información , Prof. RHBorhade, por su apoyo moral y motivación que nos ha animado a
hacer que este seminario funcione.
El reconocimiento estará incompleto si no agradezco a nuestro director Prof. Dr. AV
Deshpande, quien brindó su constante apoyo y motivación, lo que ha sido de gran
importancia para que este seminario funcione.
(Nombre y firma del estudiante)
TABLA DE CONTENIDO
Abstracto 5
Lista de Figuras 6
Abreviaturas 7
1. INTRODUCCIÓN 8
clasificación de películas
3.2 Algoritmos 14
4. Conclusión 16
5. Referencias 17
ABSTRACTO
RF Bosque aleatorio
IMDB Base de datos de
películas de Internet
DS Conjunto de datos
knn K-vecino más cercano
Chapter 1
INTRODUCCIÓN
La forma de entretenimiento favorita de la gente son las películas, que se han convertido
en una parte esencial de nuestras vidas como fuente de ocio y diversión. El cine ha
evolucionado hasta convertirse en una herramienta para conocer diferentes culturas de
todo el mundo, además de ser una fuente de diversión. Incluso una película puede
considerarse una obra de arte que vuelve loca a la gente. Se ha convertido en la fuente de
entretenimiento más importante para personas de todo el mundo, independientemente de
sus diversos orígenes. Cada año se estrenan una gran cantidad de películas con una amplia
gama de géneros, historias e intérpretes. En los últimos cinco años, Estados Unidos y
Canadá han estrenado una media de 765 películas al año. Solo en el año 2019, en
comparación con 2018, este número aumentó en 70 películas. La gente necesitaría una
pauta o métrica para determinar si una película es buena o no, dada la gran cantidad de
películas estrenadas, para no gastar su dinero en películas malas. A menudo la gente no
está segura de qué película ver para entretenerse en su tiempo libre. Además, ver películas
terribles puede alterar el estado de ánimo del público.
El estudio puede utilizarse como prueba de concepto para aplicaciones futuras y debería
resaltar algunos de los obstáculos que deben resolverse para construir un modelo de
predicción exitoso. En teoría, este concepto podría aplicarse a las calificaciones crediticias,
el mercado de valores o el mercado inmobiliario.
Es cierto que una buena película puede cambiarte, pero también es cierto que una mala
puede hacerte sentir triste o triste, hoy en día la película se ha convertido en uno de los
entretenimientos más populares para las personas y se ha convertido en una parte integral
de nuestras vidas. como medio de relajación y entretenimiento. Muchas personas
simplemente buscan en Google la reseña de una película, leen la primera reseña y
comienzan a verla, y cuando después de ver más de la mitad o la película completa se dan
cuenta de que no es algo que querían ver, a veces encontrar una buena película para ver
puede ser difícil porque Todos sabemos que no todas las películas son como la serie Los
Vengadores de Marvels Production o las dirigidas por Zack Snyder, y de ahí viene nuestro
sistema de Recomendación de Películas, se enfoca en tus elecciones anteriores, la estudias
a fondo y luego te sugiere una película que será similar a sus elecciones anteriores que le
parecieron divertidas y que se pueden volver a ver, y eso es lo que le proporcionamos, que
es un sistema que le recomendará la película según el tipo de papel que el actor y la actriz
han desempeñado en ella, el género de la película y varios factores que se consideran. ser
elección del usuario
Nuestro objetivo es crear un sistema que ahorre tiempo a los usuarios, que dedican a
buscar una buena película que les guste, pasan tiempo en varios sitios y canales de
YouTube para obtener una reseña de una película que les guste, dedican el tiempo que
tuvieron para relajarse, el tiempo que tuvieron para aumentar su energía, muchas personas
después de un día agitado les gusta ver una película al final del día, pero a veces terminan
viendo películas que están muy fuera de los géneros que algo que les guste, o algo de lo
que hayan oído hablar, de alguien, en lo que estamos trabajando es en un sistema que
utilizará el aprendizaje automático para comprender qué tipo de película le gusta ver. Si
digo específicamente, le recomendará películas en función de sus preferencias previas.
Miró películas según la elección del género que más le guste, su actor, actriz, director
favorito y considerando muchos otros factores. No sólo le ahorrará tiempo sino que
también le refrescará porque una vez Tom Hanks (actor y cineasta estadounidense) dijo:
"Al final del día, tiene que ser una película que haga que la gente piense: 'Oye, no podría
haber pasado mi tiempo sea mejor.' ”.
Los objetivos de esta tarea son construir un sistema que realizará varias tareas tales como:
-
Cada año se producen y distribuyen cientos de películas. Entre ellas hay películas
excelentes y malas. Entonces, ¿cómo sabemos sus méritos si no hemos visto la
película? ¿O cómo elegimos una buena película para ver los fines de semana para
relajarnos y disfrutar? La mayoría de las veces basaremos nuestra decisión en la
puntuación de la película o en una reseña. El sitio web de IMDb es un lugar maravilloso
para comenzar ahora mismo. Debido a su popularidad, el sitio web de IMDb ofrece una
gran cantidad de información sobre películas, así como comentarios de los fanáticos. Las
calificaciones de IMDb son bien conocidas por el público y reflejan tanto la calidad del
contenido como, hasta cierto punto, la aprobación de la audiencia. Como resultado,
intentaremos descubrir los aspectos clave que afectan la puntuación de IMDb y
sugeriremos un método eficaz para predecirla en este estudio. Los datos de nuestro
artículo provienen del conjunto de datos de películas IMDb 5000 de Kaggle. Comprende
28 variables para 5042 películas y 4906 carteles de 66 países, a lo largo de 100 años.
Hay 2399 nombres de directores diferentes y miles de actores y actrices para elegir.
En este estudio, nuestro objetivo es anticipar que el cine tiene un gran impacto en nuestra
cultura utilizando el conjunto de datos de IMDb. El cine es una de las formas de
comunicación de masas más efectivas del planeta. El cine tiene el poder de impactar la
sociedad a escala local y global. Cada año se produce una amplia gama de películas.
Algunas películas representan eventos históricos, mientras que otras producen cultura,
otras brindan fantasía y otras hacen una variedad de otras cosas.
Los valores cronológicos son una de las características distintivas del estudio. Estas
características se desarrollaron como resultado del vínculo entre una película y películas
estrenadas anteriormente. Se anticipó que la calificación prevista basada en estos valores
históricos sería mucho más objetiva que la reacción del público cuando se estrenó la
película por primera vez. Ning et al. se refieren a este método como predicción de
calificación de cohorte. El enfoque de calificación de cohorte busca películas que sean
comparables en términos de cualidades y valores históricos, y luego predice una
calificación basada en esas similitudes. Por ejemplo, una película protagonizada por David
Leitch (director) y Vin Diesel. (actor) tendría una castración comparable de las películas.
Finalmente, nuestros hallazgos revelan que en este conjunto de datos, alcanzamos un alto
nivel de precisión en la predicción de puntajes de IMDb.
Es cierto que una buena película puede cambiarte, pero también es cierto que una mala
puede hacerte sentir triste o triste, hoy en día la película se ha convertido en uno de los
entretenimientos más populares para las personas y se ha convertido en una parte integral
de nuestras vidas. como medio de relajación y entretenimiento. Mucha gente no quiere
esperar a que se estrene la película y sea revisada por las personas que la han visto, y no
todas las películas son como la serie Marvel's Avenger o la de Zack Snyder, por eso lo que
necesitamos es un sistema que prediga la calificación de la película en función de las
películas anteriores del director, el tipo de papel que el actor y la actriz han desempeñado,
el género en el que mejor se adaptan y varios factores, y eso es lo que hemos propuesto
aquí, una forma que le permitirá conocer las posibilidades. del éxito de una película en
particular que no sólo ahorrará dinero sino que también ahorrará tiempo a muchas
personas.
Los objetivos de esta tarea son construir un sistema que realizará varias tareas tales como:
-
3.2 Algoritmos
Para obtener la precisión requerida, utilizaremos algunos de los mejores algoritmos que
pueden brindar resultados más precisos cuando se les proporcionan ciertos conjuntos de
datos.
1. Bosque aleatorio
2. Aumento de gradiente
3. K-vecinos más cercanos
Los algoritmos de conjunto combinan varios métodos, ya sean del mismo tipo o de distintos
tipos, para clasificar objetos. Ejecutar predicciones utilizando Naive Bayes, SVM y Decision
Tree, por ejemplo, y luego votar sobre la clase final para el objeto de prueba. A partir de una
porción del conjunto de entrenamiento seleccionada aleatoriamente, el clasificador de bosque
aleatorio genera un conjunto de árboles de decisión. Luego combina los votos de varios
árboles de decisión para determinar la clase final del objeto de prueba. Timberlands que no
están del todo bien Una técnica de aprendizaje de recopilación para caracterización, recaída y
diligencias varias, RF o bosques de elección arbitraria, funciona creando una gran cantidad
de árboles de elección en el momento de la preparación y dando a la clase, el método de las
clases. (en arreglo) o la previsión media (en recaída) de los árboles que son únicos RF es un
paso adelante respecto a la opción anterior. El algoritmo de árbol corrige la propensión a
sobreadaptarse en la toma de decisiones a su conjunto de árboles de entrenamiento.
K-Nearest Neighbors es uno de los algoritmos de categorización más básicos pero cruciales
del aprendizaje automático. El reconocimiento de patrones, la extracción de datos y la
detección de intrusiones son sólo algunas de las aplicaciones que encuentra en el dominio del
aprendizaje supervisado. Se usa comúnmente en contextos del mundo real porque no es
paramétrico, lo que significa que no hace suposiciones subyacentes con respecto a la
distribución de datos.
Limitaciones:
estándar IEEE
Diario
Papel:
https://ieeexplore.ieee.org/document/1385466
https://www.researchgate.net/publication/222530390
https://developer.android.com/guide/topics/media/mediaplayer
https://builtin.com/data-science/random-forest-algorithm
https://towardsdatascience.com/machine-learning-basics-with-the-k-
nearest-neighbors-algorithm-6a6e71d01
https://machinelearningmastery.com/gentle-introduction-gradiente-
boosting-algorithm-machine-learning/
https://www.imdb.com/