Sistem rekomendasi telah menjadi bagian integral dari berbagai platform digital seperti Netflix, YouTube, Amazon Prime Video, dan IMDb. Teknologi ini berperan penting dalam meningkatkan kepuasan dan loyalitas pengguna melalui rekomendasi yang personal dan relevan.
Buku ini menyajikan pembahasan komprehensif tentang sistem rekomendasi dalam machine learning, mulai dari konsep dasar hingga implementasi praktis menggunakan bahasa pemrograman Python. Pembahasan dimulai dengan pengenalan machine learning yang mencakup supervised learning, unsupervised learning, dan reinforcement learning sebagai fondasi pemahaman sistem rekomendasi.
Pada bagian selanjutnya, buku ini menguraikan berbagai metode sistem rekomendasi seperti content-based filtering, collaborative filtering, dan hybrid filtering, disertai dengan teknik evaluasi kinerja dan solusi terhadap berbagai permasalahan yang umum terjadi. Pembahasan dilengkapi dengan pengenalan library Python yang esensial seperti Pandas, NumPy, Matplotlib, Seaborn, Scikit-Learn, dan NLTK.
Aspek penting dalam pengembangan sistem rekomendasi, yaitu prapemrosesan data, dibahas secara mendalam meliputi data cleaning, feature selection, data transformation, feature engineering, dan dimensionality reduction. Untuk memberikan pemahaman praktis, buku ini menyajikan tiga studi kasus lengkap: sistem rekomendasi film, buku, dan restoran, yang mencakup tahapan mulai dari eksplorasi dataset, pembangunan model, evaluasi, hingga penyimpanan model.
Buku ini ditujukan untuk mahasiswa, dosen, praktisi data science, serta siapa saja yang ingin mempelajari dan mengimplementasikan sistem rekomendasi secara praktis. Setiap pembahasan disajikan secara sistematis dengan penjelasan yang jelas dan contoh implementasi yang dapat langsung dipraktikkan.
