Рекомендательные системы — различия между версиями

Материал из Wiki - Факультет компьютерных наук
Перейти к: навигация, поиск
(Новая страница: «Прив»)
 
(→‎Материалы курса)
(не показано 10 промежуточных версии 2 участников)
Строка 1: Строка 1:
−
Прив
+
==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.
 +
 
 +
[https://docs.google.com/document/d/1LtN4PqIyNgdGd1WFGVpz31H5djEEcvEbHww-YhzPDc0/edit?usp=sharing 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: [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]
 +
 
 +
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 [http://edu.tinkoff.ru/all-activities/courses/b4e80a4b-436d-413d-ae61-be88bcdcbb29 по ссылке]
 +
 
 +
{| class="wikitable"
 +
|-
 +
! Неделя !! Тема !! Материалы !! Домашнее задание !! Дедлайн
 +
|-
 +
| style="background:#eaecf0;" | '''1''' || Введение в рекомендательные системы  || [https://github.com/anamarina/RecSys_course/blob/2024/week1/Lecture1.pdf Лекция и семинар] || - || -
 +
|-
 +
| style="background:#eaecf0;" | '''2''' || Базовые подходы  || [https://github.com/anamarina/RecSys_course/blob/2024/week2/Lecture2.pdf Лекция] [https://github.com/anamarina/RecSys_course/blob/2024/week2/Seminar2.ipynb Семинар] || - || -
 +
|-
 +
| style="background:#eaecf0;" | '''3''' || Матричные факторизации  || [https://github.com/anamarina/RecSys_course/blob/2024/week3/MF_full.ipynb Лекция и семинар] || - || -
 +
|-
 +
| style="background:#eaecf0;" | '''4''' || Коллаборативная фильтрация  || [https://github.com/anamarina/RecSys_course/blob/2024/week4/Lecture4.pdf Лекция] [https://github.com/anamarina/RecSys_course/blob/2024/week4/ALS_NeurMF.ipynb Семинар] || - || -
 +
|-
 +
| style="background:#eaecf0;" | '''5''' || Контентные и контекстные подходы  || [https://github.com/anamarina/RecSys_course/blob/2024/week5/Lecture5.pdf Лекция] [https://github.com/anamarina/RecSys_course/blob/2024/week5/Content_approaches.ipynb Семинар] || - || -
 +
|-
 +
| style="background:#eaecf0;" | '''6''' || Гибридные подходы || to be added || - || -
 +
|-
 +
| style="background:#eaecf0;" | '''7''' || Sequential-based подходы || [https://github.com/anamarina/RecSys_course/blob/2024/week7/Lecture7.pdf Лекция] [https://github.com/anamarina/RecSys_course/blob/2024/week7/seq.ipynb Семинар] || [https://github.com/anamarina/RecSys_course/blob/2024/hw/HSE_RecSys_HW1.ipynb 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

Версия 00:41, 15 марта 2024

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
Преподаватель 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

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

Источник — «http://wiki.cs.hse.ru/index.php?title=Рекомендательные_системы&oldid=84213»