RecSys 2023 — различия между версиями
(Добавление новой страницы и ПУДа для RecSys курса 2023) |
|||
(не показана одна промежуточная версия этого же участника) | |||
Строка 30: | Строка 30: | ||
==Оценки== | ==Оценки== | ||
− | [https://docs.google.com/spreadsheets/d/ | + | [https://docs.google.com/spreadsheets/d/1YcIt-9AGwGhYj4vO6wnLUS5rZDrC83Wa/edit?usp=sharing&ouid=104963596150558587903&rtpof=true&sd=true Таблица с оценками] |
Оценка ставится по формуле: | Оценка ставится по формуле: | ||
− | '''Final grade = min(10, 0.3 * Home | + | '''Final grade = min(10, 0.3 * Home Assignment + 0.15 * Article Summary + 0.25 * Weekly Quizzes + 0.3 * Exam)''', где |
− | '''Home | + | '''Home Assignment''' - 1 домашняя работа в Jupyter Notebook (max 10 баллов). |
'''Article Summary''' - конспект/презентация статьи из предложенного списка с критическим анализом (без выступления на семинаре) (max 10 баллов). | '''Article Summary''' - конспект/презентация статьи из предложенного списка с критическим анализом (без выступления на семинаре) (max 10 баллов). | ||
− | '''Weekly Quizzes''' - | + | '''Weekly Quizzes''' - 6 квизов по мотивам материалов семинаров, которые сдаются перед началом следующего занятия в Google Forms (ариф.среднее за все квизы, max 10 баллов за каждый). |
'''Exam''' - письменный экзамен в формате решения case-study построения рекомендательной системы для бизнеса (max 10 баллов). | '''Exam''' - письменный экзамен в формате решения case-study построения рекомендательной системы для бизнеса (max 10 баллов). | ||
Строка 48: | Строка 48: | ||
{| class="wikitable" | {| class="wikitable" | ||
|- | |- | ||
− | ! Неделя !! Тема !! Материалы !! Quiz !! | + | ! Неделя !! Тема !! Материалы !! Quiz !! Домашнее задание !! Дедлайн |
|- | |- | ||
− | | style="background:#eaecf0;" | '''1''' || Введение в рекомендательные системы || | + | | style="background:#eaecf0;" | '''1''' || Введение в рекомендательные системы || [https://github.com/anamarina/RecSys_course/tree/2023/week1 Лекция] || || || |
|- | |- | ||
| style="background:#eaecf0;" | '''2''' || Item/user-based, MF, CF || || || || | | style="background:#eaecf0;" | '''2''' || Item/user-based, MF, CF || || || || |
Текущая версия на 00:06, 16 сентября 2023
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 правильной формализации задачи, выбору функций и метрик ранжирования, имплементации рекомендательных ML моделей на Python - от простой коллаборативной фильтрации до современных нейронных сетей.
Курс в 2023/2024 академическому году читается на 2 курсе магистратуры ФТИАД ФКН, однако студенты других курсов и факультетов могут быть вольными слушателями по согласованию с преподавателем и учебным офисом. Курс рассчитан на 7 сдвоенных занятий (14 пар).
Цели и результаты курса
Главная цель - сформировать знания, умения и навыки по разработке рекомендательных систем в исследовательских и индустриальных задачах.
Планируемые результаты:
- Знать основные типы рекомендательных систем и алгоритмические подходы к решению задач ранжирования и рекомендаций пользователям;
- Уметь правильно формализовывать задачу, определять подходящее семейство алгоритмов, выбирать метрики оценки качества рекомендаций;
- Разрабатывать ML рекомендательные системы разной сложности на языке программирования Python;
- Владеть навыками использования линейной алгебры, теории вероятностей, математической статистики, теории оптимизации, дискретной математики и теории графов в практических приложения рекомендательных систем и поиска закономерностей данных
- Интерпретировать предсказания на локальном и глобальном уровнях моделей и использовать их для отладки рекомендательной системы
Контакты
Репозиторий курса: Github
Чат курса: Telegram
Преподаватель | Контакты |
---|---|
Ананьева Марина Евгеньевна | Email Telegram |
Оценки
Оценка ставится по формуле:
Final grade = min(10, 0.3 * Home Assignment + 0.15 * Article Summary + 0.25 * Weekly Quizzes + 0.3 * Exam), где
Home Assignment - 1 домашняя работа в Jupyter Notebook (max 10 баллов).
Article Summary - конспект/презентация статьи из предложенного списка с критическим анализом (без выступления на семинаре) (max 10 баллов).
Weekly Quizzes - 6 квизов по мотивам материалов семинаров, которые сдаются перед началом следующего занятия в Google Forms (ариф.среднее за все квизы, max 10 баллов за каждый).
Exam - письменный экзамен в формате решения case-study построения рекомендательной системы для бизнеса (max 10 баллов).
Материалы курса
Неделя | Тема | Материалы | Quiz | Домашнее задание | Дедлайн |
---|---|---|---|---|---|
1 | Введение в рекомендательные системы | Лекция | |||
2 | Item/user-based, MF, CF | ||||
3 | Content based, Hybrid methods | ||||
4 | Sequential, Context-aware methods | ||||
5 | AE, VAE for RecSys | ||||
6 | Graph-based approaches | ||||
7 | Your First RecSys Service |
Программное обеспечение
- Python >= 3.9
- 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