Рекомендательные системы

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.

ПУД

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
Преподаватели	Марина Ананьева	Олег Лашинин	Денис Красильников
Ассистент	Данил Иванов

Оценки

Таблица с оценками

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
8	Next basket recommendations	to be added	-	-
9	LLM for RecSys	to be added	-	-
10	Autoencoders & VAE	to be added	-	-
11	Multi-task & Cross-domain	to be added	-	-
12	Graph and KG-based подходы	to be added	-	-
13	Интерпретируемость & объяснения рекомендацй	to be added	-	-
14	RL в RecSys	to be added	-	-
15	A/B тестирование и мониторинг	to be added	-	-
16	Vanilla RecSys Service	to be added	-	-

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