RecSys 2022 2023 — различия между версиями
(→Материалы курса) |
(→Материалы курса) |
||
Строка 40: | Строка 40: | ||
| style="background:#eaecf0;" | '''5''' || AE, VAE for RecSys || || [https://docs.google.com/forms/d/e/1FAIpQLSftfE8Vs6ofNzT3wDMg9KfzarC_xPosmfElErrRHysT_VdMHg/viewform Quiz 5] || || 27.10.22 23:59 | | style="background:#eaecf0;" | '''5''' || AE, VAE for RecSys || || [https://docs.google.com/forms/d/e/1FAIpQLSftfE8Vs6ofNzT3wDMg9KfzarC_xPosmfElErrRHysT_VdMHg/viewform Quiz 5] || || 27.10.22 23:59 | ||
|- | |- | ||
− | | style="background:#eaecf0;" | '''6''' || Graph-based approaches || || [https://docs.google.com/forms/d/e/1FAIpQLSf28ysBFvJAd08xwxUjPnMS09nWTpnhlcjK2jIWdUV4dtA1cw/viewform Quiz 6] || || | + | | style="background:#eaecf0;" | '''6''' || Graph-based approaches || || [https://docs.google.com/forms/d/e/1FAIpQLSf28ysBFvJAd08xwxUjPnMS09nWTpnhlcjK2jIWdUV4dtA1cw/viewform Quiz 6] || || 27.10.22 23:59 |
|- | |- | ||
− | | style="background:#eaecf0;" | '''7''' || Explainable RecSys|||| || || | + | | style="background:#eaecf0;" | '''7''' || Explainable RecSys|||| [https://docs.google.com/forms/d/e/1FAIpQLSctRzVAX4amCsSPaA0fGmizx7Yfj_wRH6htHrGDLOzeK9ZV6g/viewform Quiz 7] || || 27.10.22 23:59 |
|- | |- | ||
| style="background:#eaecf0;" | '''8''' || Your First RecSys Service || || || || | | style="background:#eaecf0;" | '''8''' || Your First RecSys Service || || || || |
Текущая версия на 19:54, 21 октября 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 >= 3.9
- Jupyter Notebook
- pip3
Материалы курса
Неделя | Тема | Материалы | Quiz | Домашние задание | Дедлайн |
---|---|---|---|---|---|
1 | Введение в рекомендательные системы | Семинары 1, 2 | Quiz 1 | - | 20.09.22 23:59 |
2 | Item/user-based, MF, CF | Семинары 3, 4 | Quiz 2 | - | 05.10.22 23:59 |
3 | Content based, Hybrid methods | Семинары 5, 6 | Quiz 3 | ДЗ 1 | 10.10.22 23:59 |
4 | Sequential, Context-aware methods | Семинары 7, 8 | Quiz 4 | 27.10.22 23:59 | |
5 | AE, VAE for RecSys | Quiz 5 | 27.10.22 23:59 | ||
6 | Graph-based approaches | Quiz 6 | 27.10.22 23:59 | ||
7 | Explainable RecSys | Quiz 7 | 27.10.22 23:59 | ||
8 | Your First RecSys Service |
Оценки
Оценка ставится по формуле:
Final grade = min(10, 0.3 * Home Assignments + 0.15 * Article Summary + 0.15 * Weekly Quizzes + 0.4 * Exam), где
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