Рекомендательные системы
Содержание
О курсе
Курс нацелен на формирование у слушателя достаточных знаний, навыков и компетенций для построения рекомендательных систем. Курс является прикладным и охватывает все продвинутые темы, необходимые для успешного применения как в индустрии, так и в академических исследованиях. Слушатели курса научатся постановке и имплементации рекомендательных ML моделей на Python от простой коллаборативной фильтрации до современных нейронных сетей.
Цели и результаты курса
Главная цель - сформировать знания, умения и навыки по разработке рекомендательных систем в исследовательских и индустриальных задачах.
Планируемые результаты:
- Знать основные подходы рекомендательных систем и алгоритмов к решению задачи ранжирования и рекомендаций пользователям.
- Уметь правильно определять и формализовывать задачу для построения рекомендательной системы.
- Определять и имплементировать функции ранжирования и метрики качества оценки алгоритмов.
- Разрабатывать модели машинного обучения для рекомендательных систем разной сложности на языке программирования Python.
- Объяснять и интерпретировать предсказания на локальном и глобальном уровне моделей, использовать их для отладки ошибок и аномалий.
- Разрабатывать базовые API сервисы для рекомендательных моделей с помощью docker.
Контакты
Репозиторий курса: Github
Чат курса: Telegram
| Контакты | |||
| Преподаватель | Марина Ананьева | Олег Лашинин | Денис Красильников |
|---|---|---|---|
| Ассистент | Данил Иванов | ||
Оценки
Определим накопленную оценку как Накоп = (0.3 * ДЗ + 0.25 * Т + 0.15 * Р) / 0.7
Оценка ставится по формуле: Final grade = Округление(0.7 * Накоп + 0.3 * Э), где
ДЗ - среднее за 2 домашних задания. Одно на тему имплементации метрик оценки качества ранжирования, другое - участие в открытом соревновании по рекомендательным системам на онлайн платформе (Boosters/Kaggle).
Т - средняя арифметическая оценка за 15 тестов, которые проводятся на базе Google Forms/Anytask. Каждый тест содержит от 4 до 10 вопросов на пройденную тему последних лекции и семинаре в формате открытых вопросов либо с выбором ответов.
Р - критический анализ выбранной научной статьи на тему рекомендательных систем из предложенного списка. Состоит из 5 заданий, каждое задание оценивается на 0, 1 или 2 балла.
Э - устный, дистанционный экзамен на онлайн платформе Zoom. Разрешается пользоваться материалами. Экзамен неблокирующий. Продолжительность - 15 минут на студента. Максимальная оценка 10 баллов на основе общего впечатления преподавателя от ответов студента.
Если Накоп >= 8 и Т >= 8, то студент может получить Накоп в качестве итоговой оценки, не приходя на экзамен. Значения порогов могут быть пересмотрены с учетом фактической общей успеваемости потока.
Материалы курса
Еженедельные квизы и записи трансляций доступны по ссылке
| Неделя | Тема | Материалы | Домашнее задание | Дедлайн |
|---|---|---|---|---|
| 1 | Введение в рекомендательные системы | Лекция и семинар | - | - |
| 2 | Базовые подходы | Лекция Семинар | - | - |
| 3 | Матричные факторизации | Лекция и семинар | - | - |
| 4 | Коллаборативная фильтрация | Лекция Семинар | - | - |
| 5 | Контентные и контекстные подходы | Лекция Семинар | - | - |
| 6 | Гибридные подходы | to be added | - | - |
| 7 | Sequential-based подходы | Лекция Семинар | ДЗ1 | 24.03.24 23:59 MSK |
Программное обеспечение
- Python >= 3.10
- Jupyter Notebook
- pip3
Список литературы
1. Charu C. Aggarwal. Recommender Systems: The Textbook, Springer, April 2016 – Режим доступа: https://www.springer.com/gp/book/9783319296579
2. Recommender Systems Handbook. Francesco Ricci, Lior Rokach, Bracha Shapira (Eds.), Springer, 2022 – Режим доступа: https://link.springer.com/book/10.1007/978-1-0716-2197-4
