Bu aslında makine öğrenimi alanında nispeten ünlü bir sorundur. ~ 2006'da Netflix, tavsiye sistemlerine en iyi iyileştirmeyi sağlayan algoritmaya 1 milyon dolar teklif etti. Kazanan çözüm teorisi , tanıtıcı makine öğrenimi hakkındaki bu Caltech ders kitabında kısaca tartışılmıştır .
Temel olarak bir topluluk öğrenme yöntemi kullanılmıştır. Özellikle, bir tür karıştırma veya istifleme kullanılmıştır. Bu önemsiz değil, bir tür sezgisel. Farklı istatistiksel yaklaşımları uyum içinde kullanma sezgisini anlamak için farklı insanların aynı filmler gibi farklı nedenlerini göz önünde bulundurun: örneğin Joe Topgun'u sevebilir, çünkü 80'lerin aksiyon filmlerini sever, Jane Topgun'u sever çünkü Kenny Loggins filmleriyle filmleri sever. Dolayısıyla, her iki izleyicinin de filmi izlemesi (ve filme yüksek puan vermesi) yüksek olasılıkla diğer filmleri sevecekleri anlamına gelmez. Tahmin algoritması, ideal olarak, en azından bir kapasitede bu farklılıkları barındırabilecektir.
Bu, çözümün sesini oldukça basit hale getirebilir, ancak rakip algoritmaları dengelemek ve her durum için en iyi tahminin önceliklendirilmesi kesinlikle basit değildir. Netflix'in böylesine büyük bir ödül teklif etmesi, mücadelenin büyüklüğünü oldukça açık hale getirmelidir.
Makine öğrenmeye yeni başlıyorsanız, ilgi seviyenize ve matematik geçmişinize bağlı olarak yukarıdaki kaynakları kontrol etmek yardımcı olabilir. Dolayısıyla, regresyon muhtemelen iyi-iyi çalışır, ancak önemli ölçüde daha iyi performans mümkündür.