A/B Testing de Modelos de Recomendação

Este projeto implementa uma estratégia de A/B testing para comparar o desempenho de dois modelos de recomendação utilizando um conjunto de dados de filmes.

Estrutura do Projeto

• data/: Contém o conjunto de dados de filmes.

  • movies_dataset.csv: Conjunto de dados utilizado para treinar e avaliar os modelos.

• models/: Armazena os modelos treinados.

  • model_a.pkl: Modelo A treinado.
  • model_b.pkl: Modelo B treinado.

• notebooks/: Contém notebooks Jupyter para análise.

  • analysis.ipynb: Análise dos resultados e comparação de desempenho dos modelos.

• src/: Contém os scripts principais do projeto.

  • data_preprocessing.py: Funções para pré-processar os dados.
  • model_training.py: Funções para treinar os modelos de recomendação.
  • model_evaluation.py: Funções para avaliar o desempenho dos modelos.
  • ab_testing.py: Implementação da estratégia de A/B testing.

• requirements.txt: Lista as dependências necessárias para o projeto.

• Dockerfile: Instruções para construir uma imagem Docker do projeto.

• .gitignore: Especifica arquivos e diretórios a serem ignorados pelo Git.

Como Configurar o Ambiente

1. Clone o repositório:

   git clone <URL_DO_REPOSITORIO>
   cd ab-testing-repo
   

2. Instale as dependências:

   pip install -r requirements.txt
   

3. Execute os scripts conforme necessário para treinar, avaliar e testar os modelos.

Como Executar o Código

• Utilize os scripts na pasta src/ para realizar as etapas de pré-processamento, treinamento e avaliação dos modelos.
• O notebook analysis.ipynb pode ser utilizado para visualizar e analisar os resultados dos modelos.

Contribuições

Contribuições são bem-vindas! Sinta-se à vontade para abrir issues ou pull requests.