Рекомендательные системы — различия между версиями
Ekononova (обсуждение | вклад) (Новая страница: «Прив») |
Dkivanov (обсуждение | вклад) (add recsys page for 3 course '24) |
||
| Строка 1: | Строка 1: | ||
| − | + | ==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: [https://github.com/anamarina/RecSys_course Github] | ||
| + | |||
| + | Чат курса: [https://t.me/+eFmJENLT9TpmZWRi Telegram] | ||
| + | {| class="wikitable" style="text-align:center; width:30%; border:none; cellpadding=5px;" | ||
| + | |- | ||
| + | | | | ||
| + | | style="background:#eaecf0; border: 2px solid gray;" colspan="3" | '''Контакты''' | ||
| + | |- style="border: 2px solid gray;" | ||
| + | ! Преподаватель | ||
| + | | style="border: 2px solid gray;" | [https://t.me/ananyevame Марина Ананьева] | ||
| + | | style="border: 2px solid gray;" | [https://t.me/lashinin Олег Лашинин] | ||
| + | | style="border: 2px solid gray;" | [https://t.me/deethereal Денис Красильников] | ||
| + | |- style="border: 2px solid gray;" | ||
| + | ! Ассистент | ||
| + | | style="border: 2px solid gray;" colspan="3" | [https://t.me/mdeil007 Данил Иванов] | ||
| + | |- | ||
| + | |} | ||
| + | |||
| + | ==Оценки== | ||
| + | [https://docs.google.com/spreadsheets/d/1ODp5Hw5QZmo-Mvw2nZ9nNTdT0zRgk8m4HAuN0-zz1KI/edit?usp=sharing Таблица с оценками] | ||
| + | |||
| + | Оценка ставится по формуле: | ||
| + | |||
| + | '''Final grade = Округление(0.3 * ДЗ + 0.25 * Т + 0.15 * Р + 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. | ||
| + | |||
| + | ==Материалы курса== | ||
| + | |||
| + | {| class="wikitable" | ||
| + | |- | ||
| + | ! Неделя !! Тема !! Материалы !! Quiz !! Домашнее задание !! Дедлайн | ||
| + | |- | ||
| + | | style="background:#eaecf0;" | '''1''' || Введение в рекомендательные системы || - || - || - || - | ||
| + | |- | ||
| + | |} | ||
| + | |||
| + | ==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 | ||
Версия 01:03, 19 января 2024
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
Оценка ставится по формуле:
Final grade = Округление(0.3 * ДЗ + 0.25 * Т + 0.15 * Р + 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.
Материалы курса
| Неделя | Тема | Материалы | Quiz | Домашнее задание | Дедлайн |
|---|---|---|---|---|---|
| 1 | Введение в рекомендательные системы | - | - | - | - |
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
