RecSys 2023 — различия между версиями

Версия 23:19, 7 сентября 2023

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 правильной формализации задачи, выбору функций и метрик ранжирования, имплементации рекомендательных ML моделей на Python - от простой коллаборативной фильтрации до современных нейронных сетей.

Курс в 2023/2024 академическому году читается на 2 курсе магистратуры ФТИАД ФКН, однако студенты других курсов и факультетов могут быть вольными слушателями по согласованию с преподавателем и учебным офисом. Курс рассчитан на 7 сдвоенных занятий (14 пар).

Цели и результаты курса

Главная цель - сформировать знания, умения и навыки по разработке рекомендательных систем в исследовательских и индустриальных задачах.

Планируемые результаты:

• Знать основные типы рекомендательных систем и алгоритмические подходы к решению задач ранжирования и рекомендаций пользователям;
• Уметь правильно формализовывать задачу, определять подходящее семейство алгоритмов, выбирать метрики оценки качества рекомендаций;
• Разрабатывать ML рекомендательные системы разной сложности на языке программирования Python;
• Владеть навыками использования линейной алгебры, теории вероятностей, математической статистики, теории оптимизации, дискретной математики и теории графов в практических приложения рекомендательных систем и поиска закономерностей данных
• Интерпретировать предсказания на локальном и глобальном уровнях моделей и использовать их для отладки рекомендательной системы

Контакты

Репозиторий курса: Github

Чат курса: Telegram

Оценки

Таблица с оценками

Оценка ставится по формуле:

Final grade = min(10, 0.3 * Home Assignment + 0.15 * Article Summary + 0.25 * Weekly Quizzes + 0.3 * Exam), где

Home Assignment - 1 домашняя работа в Jupyter Notebook (max 10 баллов).

Article Summary - конспект/презентация статьи из предложенного списка с критическим анализом (без выступления на семинаре) (max 10 баллов).

Weekly Quizzes - 6 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).

Материалы курса

Программное обеспечение

• Python >= 3.9
• 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