RecSys 2022 2023 — различия между версиями
(Новая страница: «==О курсе== Целями освоения дисциплины «Рекомендательные системы» являются овладение ст…») |
(→Материалы курса) |
||
Строка 28: | Строка 28: | ||
{| class="wikitable" | {| class="wikitable" | ||
|- | |- | ||
− | ! Неделя !! Тема !! Материалы !! Домашние задание !! Дедлайн | + | ! Неделя !! Тема !! Материалы !! Quiz !! Домашние 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/2022/week1 Семинары 1, 2] |||| || |
|- | |- | ||
− | | style="background:#eaecf0;" | '''2''' || | + | | style="background:#eaecf0;" | '''2''' || || || || || |
|- | |- | ||
− | | style="background:#eaecf0;" | '''3''' || | + | | style="background:#eaecf0;" | '''3''' || || || || || |
|- | |- | ||
− | | style="background:#eaecf0;" | '''4''' || | + | | style="background:#eaecf0;" | '''4''' || || || || || |
|- | |- | ||
− | | style="background:#eaecf0;" | '''5''' || || || || | + | | style="background:#eaecf0;" | '''5''' |||| || || || |
|- | |- | ||
− | | style="background:#eaecf0;" | '''6''' || | + | | style="background:#eaecf0;" | '''6''' || || || || || |
|- | |- | ||
− | | style="background:#eaecf0;" | '''7''' || || || || | + | | style="background:#eaecf0;" | '''7''' || |||| || || |
|- | |- | ||
− | | style="background:#eaecf0;" | '''8''' || || || || | + | | style="background:#eaecf0;" | '''8''' |||| || || || |
|- | |- | ||
|} | |} |
Версия 12:22, 13 сентября 2022
Содержание
О курсе
Целями освоения дисциплины «Рекомендательные системы» являются овладение студентами основными методами рекомендательных систем и подходами к поиску закономерностей в данных, например, таких как базы транзакций и последовательностей. В ходе курса будут рассмотрены:
- Основные типы рекомендательных систем и алгоритмические подходы к решению задачи рекомендаций;
- Методы проверки качества рекомендаций и достоверности выявленных закономерностей.
Репозиторий курса: Github
Чат курса: Telegram
Контакты
Преподаватель | Контакты |
---|---|
Ананьева Марина Евгеньевна | Email Telegram |
Программное обеспечение
- Python >= 3.8
- Jupyter Notebook
- pip3
Материалы курса
Неделя | Тема | Материалы | Quiz | Домашние задание | Дедлайн |
---|---|---|---|---|---|
1 | Введение в рекомендательные системы | Семинары 1, 2 | |||
2 | |||||
3 | |||||
4 | |||||
5 | |||||
6 | |||||
7 | |||||
8 |
Оценки
Оценка ставится по формуле:
0.3 * Home Assignments + 0.15 * Article Summary + 0.15 * Weekly Quizzes + 0.4 * Exam, гду
Home Assignments - 3 домашних работы в Jupyter Notebook (max 10 баллов за каждую).
Article Summary - конспект/презентация статьи из предложенного списка с критическим анализом (без выступления на семинаре) (max 10 баллов).
Weekly Quizzes - 7 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).
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, 2015 – Режим доступа: https://www.springer.com/la/book/9781489976369