Рекомендательные системы и поиск закономерностей в данных — различия между версиями
Machine (обсуждение | вклад) |
Machine (обсуждение | вклад) |
||
Строка 1: | Строка 1: | ||
− | Формула оценки | + | ===Формула итоговой оценки=== |
формула: 0.4 h/w + 0.4 project + 0.2 defense | формула: 0.4 h/w + 0.4 project + 0.2 defense |
Версия 09:48, 23 ноября 2018
Содержание
Формула итоговой оценки
формула: 0.4 h/w + 0.4 project + 0.2 defense
Домашнее задание 1
Коллаборативная фильтрация на основе сходства по пользователям (user-based) и продуктам (item-based)
Домашнее задание 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 Фролова по мотивам диссертационного 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.