Рекомендательные системы и поиск закономерностей в данных — различия между версиями
Machine (обсуждение | вклад) (Новая страница: « Формула оценки Homework 1 Project [https://www.dropbox.com/s/6c4eea0atqx6gqu/Eng-IndGroupTask.pdf?dl=0|https://www.dropbox.com/s/6c4eea0atqx6gq…») |
Machine (обсуждение | вклад) (правка) |
||
Строка 2: | Строка 2: | ||
Формула оценки | Формула оценки | ||
− | + | формула: 0.4 h/w + 0.4 project + 0.2 defense | |
+ | ===Homework 1 === | ||
− | + | [[https://www.dropbox.com/s/xnb36njc1vjgs26/HW_assignment_1_modified.ipynb?dl=0 Homework 1]] | |
− | |||
− | + | ===Homework 2=== | |
+ | # [https://www.dropbox.com/s/5l8331rxd1zd3hg/HW_FIM_ML_RecSys2018.pdf?dl=0 Частые множества и ассоциативные правила] | ||
+ | # [ Спектральная кластеризация] | ||
+ | # [https://www.dropbox.com/s/qdq1bbvwfrmxssb/ALS_SGD_biases-HW2.ipynb?dl=0 Матричная факторизация] | ||
+ | # [ Анализ последовательностей] | ||
− | == | + | ===Проект=== |
− | |||
+ | [https://www.dropbox.com/s/6c4eea0atqx6gqu/Eng-IndGroupTask.pdf?dl=0 Требования к оформлению] | ||
− | + | В этом файле содержатся требования к отчету, они на английском, но писать текст можно и на русском. Даны источники данных, указаны типы задач для решения, приведен релевантный софт. Указаны сроки выбора задачи и сдачи отчета. Предполагается экзамен в виде защиты проекта. | |
+ | |||
+ | |||
+ | ==Занятие от 21.11.2018== | ||
+ | |||
+ | 19:30 Доклад Евгений Фрлова по мотивам диссртационного исследования (https://www.skoltech.ru/obrazovanie/zashhity-phd/2018-2/evgenij-frolov/) | ||
+ | |||
+ | Аннотация доклада. В силу ряда вычислительных преимуществ, одним из наиболее популярных методов, часто использующихся на практике, является PureSVD. Метод основан на сингулярном разложении и в определенных сценариях позволяет добиться наиболее релевантных рекомендаций. Однако, качество моделей на основе данного метода заметно снижается при сильном уменьшении количества известной информации о пользовательских предпочтениях. Главной целью данной работы является устранение этого недостатка, позволяющее сохранить основные преимущества PureSVD. Для этого предложены несколько новых подходов на основе матричных и тензорных методов аппроксимации. Подходы строятся на принципах многомерного представления пользовательского отклика, а также с использованием специальной схемы «гибридизации», позволяющей учесть дополнительную признаковую информацию о пользователях и предметах. |
Версия 17:48, 22 ноября 2018
Формула оценки
формула: 0.4 h/w + 0.4 project + 0.2 defense
Содержание
Homework 1
Homework 2
- Частые множества и ассоциативные правила
- [ Спектральная кластеризация]
- Матричная факторизация
- [ Анализ последовательностей]
Проект
В этом файле содержатся требования к отчету, они на английском, но писать текст можно и на русском. Даны источники данных, указаны типы задач для решения, приведен релевантный софт. Указаны сроки выбора задачи и сдачи отчета. Предполагается экзамен в виде защиты проекта.
Занятие от 21.11.2018
19:30 Доклад Евгений Фрлова по мотивам диссртационного исследования (https://www.skoltech.ru/obrazovanie/zashhity-phd/2018-2/evgenij-frolov/)
Аннотация доклада. В силу ряда вычислительных преимуществ, одним из наиболее популярных методов, часто использующихся на практике, является PureSVD. Метод основан на сингулярном разложении и в определенных сценариях позволяет добиться наиболее релевантных рекомендаций. Однако, качество моделей на основе данного метода заметно снижается при сильном уменьшении количества известной информации о пользовательских предпочтениях. Главной целью данной работы является устранение этого недостатка, позволяющее сохранить основные преимущества PureSVD. Для этого предложены несколько новых подходов на основе матричных и тензорных методов аппроксимации. Подходы строятся на принципах многомерного представления пользовательского отклика, а также с использованием специальной схемы «гибридизации», позволяющей учесть дополнительную признаковую информацию о пользователях и предметах.