Gustavo Bragança gabraganca

Gremlin - Exercício

To ease the process, I created a script that automatizes the installation of the Agent. The steps are:

Create the configuration file for the agent following these readings:
- Writing to a Stream
- Writing to Firehose

	import time
	import datetime
	import random
	import pandas as pd
	import numpy as np
	from surprise import SVD, BaselineOnly, Reader, Dataset
	from surprise.model_selection import GridSearchCV, cross_validate, KFold
	import seaborn as sns
	import matplotlib.pyplot as plt
	%matplotlib inline

	dataset = 'ml-latest-small'

	# Carrega as notas
	df_ratings = pd.read_csv(f'{dataset}/ratings.csv',
	dtype={'userId':str, 'movieId':str, 'rating':float})
	df_ratings.drop('timestamp', axis=1, inplace=True)

	# Carrega informação dos filmes:
	df_movies = pd.read_csv(f'{dataset}/movies.csv', dtype=str)

	def add_rating(userId:str, movie_name:str, rating:float):
	"""
	Adiciona a nota de um userId referente a filme.

	Parameters:

	userId: Id do usuário.
	movie_name: Nome do filme. Aceita Expressão Regular
	rating: Nota de 0.5 a 5 de 0.5 em 0.5.
	"""

	reader = Reader(rating_scale=(0.5, 5))
	data = Dataset.load_from_df(df_ratings[['userId', 'movieId', 'rating']],
	reader)

	full_trainset = data.build_full_trainset()

	# Define a grade de hiperparâmetros
	param_grid = {
	'n_factors': [10, 100, 200, 400],
	'lr_all': [0.002, 0.005, 0.007, 0.009],
	'n_epochs':[20, 100, 200, 400]
	}

	# Ajusta os modelos na grade com Validação Cruzada
	gs = GridSearchCV(SVD, param_grid, measures=['mae', 'rmse'], cv=5, n_jobs=-1)
	gs.fit(data)

	# Implementação baseada em
	# https://github.com/NicolasHug/Surprise/blob/master/examples/benchmark.py
	set_cell_seed(MY_SEED)

	# Os algortimos para verificar
	classes = (SVD, BaselineOnly)

	kf = KFold(random_state=MY_SEED) # certifica que as dobras serão as mesmas

	table = []

	def get_rec_movies(user_id:str, algoritmo, n_top: int =10) -> pd.DataFrame:
	"""
	Obtém uma lista de recomendação para N filmes para um
	usuário.

	Parameters:
	user_id: o ID do usuário
	n_top: O número de filmes desejados

	Returns:

	algo_base=BaselineOnly()
	algo_base.fit(full_trainset)