Магистратура
2026/2027
Машинное обучение и рекомендательные системы
ID 1139688
Статус:
Курс обязательный (Управление продуктом в ИТ-бизнесе)
Кто читает:
Департамент бизнес-информатики
Где читается:
Высшая школа бизнеса
Когда читается:
2-й курс, 1, 2 модуль
Охват аудитории:
для своего кампуса
Преподаватели:
Джин Сеунгмин
Язык:
английский
Кредиты:
6
Контактные часы:
48
Course Syllabus
Abstract
This course introduces the foundations of machine learning and modern recommender systems. It combines content-based filtering, collaborative filtering, and matrix factorization with neural models, two-tower retrieval, transformers, vector search, RAG, and re-ranking.
Practical sessions center on reproducible Jupyter Notebook experiments. Students develop and modify baseline models, compare results, and discuss the causes of observed differences. The course concludes with a team capstone project on building and evaluating a modern recommender system.
Learning Objectives
- To give students a foundational understanding of machine learning and recommender systems, as well as practical skills for developing, evaluating, and analyzing recommender models, from classical methods to neural, retrieval-based, and LLM/RAG approaches.
Expected Learning Outcomes
- prepare user, item, and interaction data for training and evaluating recommender models
- implement and compare baseline, content-based, collaborative-filtering, and matrix-factorization models
- choose appropriate validation protocols and apply Precision@K, Recall@K, NDCG@K, and MRR
- develop basic neural recommender models, including two-tower retrieval models
- run reproducible experiments, compare a proposed method against a baseline, and interpret results
- communicate project results through code, a short technical report, and an oral presentation
- formulate precise questions for AI tools, identify gaps in their own understanding, and verify explanations through independent code modification and testing
- explain the main stages of an ML pipeline and the core types of recommender systems;
- explain the role of transformers, language models, vector search, RAG, and re-ranking in modern recommender systems
Course Contents
- Introduction to Machine Learning and Recommender Systems
- Data Preparation and the ML Pipeline
- Basic Machine Learning Methods
- Content-based filtering
- Collaborative filtering и implicit feedback
- Matrix Factorization and Embeddings.
- Neural Networks and Representation Learning.
- Two-Tower Models и retrieval-based recommendation.
- Transformers, Language Models, and LLMs for Recommendation.
- Semantic Retrieval and Vector Search.
- RAG, Re-ranking, and Experiment Analysis
- Final Capstone Project
Assessment Elements
- онлайн-хакатон Kaggle / Kaggle hackatonПромежуточная аттестация проводится дистанционно в индивидуальном формате как 24-часовой хакатон на платформе Kaggle. В течение отведённого времени студент разрабатывает рекомендательную модель, загружает прогнозы, а также сдаёт исходный код или Jupyter Notebook и краткий технический отчёт. При использовании генеративного ИИ студент кратко указывает, для каких задач он использовал этот инструмент и какие решения проверил самостоятельно. The midterm assessment is conducted remotely in an individual format, like a 24-hour hackathon on the Kaggle platform. During the allotted time, the student develops a recommendation model, uploads predictions, and submits the source code or Jupyter Notebook and a brief technical report. When using generative AI, the student briefly describes the tasks for which they used this tool and the solutions they tested independently.
- Итоговый capstone-проект / Final capstone projectИтоговый проект выполняется командами из 2–3 студентов. Команды из четырёх и более студентов не допускаются. Команда разрабатывает современную рекомендательную систему с использованием нейросетевых, retrieval-, LLM- или RAG-подходов и сравнивает её с обоснованным baseline на согласованном реалистичном датасете, например VK-LSVD. The final project is completed by teams of 2-3 students. Teams of four or more students are not permitted. The team develops a modern recommender system using neural network, retrieval, LLM, or RAG approaches and compares it with a validated baseline on a consistent, realistic dataset, such as VK-LSVD.
- посещаемость / Attendance
- работа на занятиях и домашние задания / in-class work and homework 2Работа на занятиях и домашние задания включают еженедельные практические ноутбуки, краткую интерпретацию результатов, журнал обучения с ИИ, а также код-ревью и взаимную обратную связь. In-class work and homework include weekly practical notebooks, brief interpretations of results, AI learning logs, code review, and peer feedback. Students must be able to explain the baseline, the changes made, the effect on metrics, and the limitations of an experiment.
- Class Activity
Interim Assessment
- 2026/2027 2nd module**Итоговая оценка** Итоговый балл рассчитывается по 100-балльной шкале на основе следующих компонентов: * посещаемость — 10%; * домашние задания — 20%; * работа на занятиях (class activity) — 10%; * промежуточное 24-часовое соревнование на Kaggle — 20%; * итоговый capstone-проект — 40%. Домашние задания включают практические ноутбуки, краткую интерпретацию результатов и другие индивидуальные задания. Работа на занятиях (class activity) включает выполнение практических заданий во время занятий, обсуждение результатов, код-ревью и взаимную обратную связь. Студенты должны уметь объяснить baseline, внесённые изменения, влияние изменений на метрику и ограничения эксперимента. **Определение итоговой оценки** Итоговый балл каждого студента рассчитывается из 100 баллов. Для получения базовой оценки по 10-балльной шкале итоговый балл делится на 10, после чего результат округляется до ближайшего целого числа. Например: * 68 баллов → 6,8 → **7 баллов**; * 84 балла → 8,4 → **8 баллов**; * 85 баллов → 8,5 → **9 баллов**; * 96 баллов → 9,6 → **10 баллов**. После этого студенты, выполнившие все обязательные требования курса, ранжируются по итоговому баллу. **Правило относительного cut-off** Относительный cut-off применяется только в том случае, если количество студентов с определённой оценкой превышает допустимую долю группы. Если более **30% студентов получают оценку 8 или выше**, только студенты, входящие в верхние 30% рейтинга, сохраняют свои оценки 8, 9 или 10. Студенты, находящиеся за пределами верхних 30% и имеющие после пересчёта оценку 8, получают **7 баллов**. Если более **70% студентов получают оценку 6 или выше**, студенты, находящиеся за пределами верхних 70% и имеющие после пересчёта оценку 6, получают **5 баллов**. Границы между группами могут быть скорректированы не более чем на ±5 процентных пунктов с учётом фактического распределения итоговых баллов. **Блокирующие требования** Итоговый capstone-проект является обязательным (блокирующим) элементом контроля. Несдача capstone-проекта влечёт выставление **неудовлетворительной итоговой оценки** независимо от суммы остальных баллов. Студент, набравший менее **35 баллов из 100**, также получает **неудовлетворительную итоговую оценку** независимо от его положения в рейтинге. Для студентов, которые сдали capstone-проект и набрали не менее 35 баллов, итоговая оценка по 10-балльной шкале определяется с учётом базовой оценки и описанного выше правила относительного cut-off. **Final Mark** The final score is calculated on a **100-point scale** based on the following components: * attendance: 10%; * homework: 20%; * class activity: 10%; * 24-hour Kaggle midterm competition: 20%; * final capstone project: 40%. Homework assignments include practical notebooks, brief interpretations of results, and other individual assignments. Class activity includes practical tasks completed during class, discussion of results, code review, and peer feedback. Students must be able to explain the baseline, the changes made, their impact on the metric, and the limitations of an experiment. **Determination of the Final Mark** Each student's final score is calculated out of 100 points. To obtain the **base mark on the 10-point scale**, the final score is divided by 10 and the result is rounded to the nearest whole number. For example: * 68 points → 6.8 → **7 points**; * 84 points → 8.4 → **8 points**; * 85 points → 8.5 → **9 points**; * 96 points → 9.6 → **10 points**. Students who have met all mandatory course requirements are then ranked according to their final scores. **Ranking-based Cut-off Rule** The ranking-based cut-off is applied only when the number of students receiving a particular mark exceeds the allowed proportion of the cohort. If more than **30% of students receive a mark of 8 or higher**, only students within the top 30% of the ranking retain their converted marks of 8, 9, or 10. Students outside the top 30% whose converted mark is 8 are assigned **7**. If more than **70% of students receive a mark of 6 or higher**, students outside the top 70% whose converted mark is 6 are assigned **5**. The boundaries between the groups may be adjusted by no more than ±5 percentage points in light of the actual distribution of final scores. **Blocking Requirements** The final capstone project is a mandatory **blocking assessment component**. Failure to submit the capstone project results in an **unsatisfactory final mark**, regardless of the student's accumulated score in other components. A student who obtains **fewer than 35 points out of 100** also receives an **unsatisfactory final mark**, regardless of their position in the ranking. For students who submit the capstone project and obtain at least 35 points, the final mark on the **10-point scale** is determined based on the base mark and the ranking-based cut-off rule described above.
Bibliography
Recommended Core Bibliography
- 9780262046824 - Kevin P. Murphy - Probabilistic Machine Learning - 2022 - MIT Press - https://search.ebscohost.com/login.aspx?direct=true&db=nlebk&AN=2932689 - nlebk - 2932689
Recommended Additional Bibliography
- Ian Goodfellow, Yoshua Bengio, & Aaron Courville. (2016). Deep Learning. The MIT Press.