2026/2027
Машинное обучение и рекомендательные системы
Статус:
Маго-лего
Кто читает:
Департамент бизнес-информатики
Где читается:
Высшая школа бизнеса
Когда читается:
1, 2 модуль
Охват аудитории:
для своего кампуса
Преподаватели:
Джин Сеунгмин
Язык:
английский
Кредиты:
6
Контактные часы:
48
Course Syllabus
Abstract
Дисциплина знакомит студентов с базовыми методами машинного обучения и современными рекомендательными системами. Курс объединяет content-based filtering, collaborative filtering и матричную факторизацию с нейросетевыми моделями, Two-Tower retrieval, трансформерами, векторным поиском, RAG и re-ranking.
Практические занятия строятся вокруг воспроизводимых экспериментов в Jupyter Notebook. Студенты разрабатывают и модифицируют baseline-модели, сравнивают результаты и обсуждают причины наблюдаемых различий. Курс завершается командным capstone-проектом по разработке и оценке современной рекомендательной системы.
Learning Objectives
- Сформировать у студентов базовое понимание методов машинного обучения и рекомендательных систем, а также навыки разработки, оценки и анализа рекомендательных моделей: от классических методов до нейросетевых, retrieval- и LLM/RAG-подходов.
Expected Learning Outcomes
- объяснять основные этапы ML pipeline и ключевые типы рекомендательных систем;
- подготавливать данные о пользователях, объектах и взаимодействиях для обучения и оценки рекомендательных моделей;
- реализовывать и сравнивать baseline-, content-based-, collaborative filtering- и matrix factorization-модели;
- выбирать корректный протокол валидации и применять Precision@K, Recall@K, NDCG@K и MRR;
- разрабатывать базовые нейросетевые рекомендательные модели, включая Two-Tower retrieval;
- объяснять роль трансформеров, языковых моделей, векторного поиска, RAG и re-ranking;
- проводить воспроизводимые эксперименты, сравнивать предложенный метод с baseline и интерпретировать результаты;
- представлять результаты проекта в форме кода, краткого технического отчёта и устной презентации.
- формулировать точные вопросы к ИИ, выявлять пробелы в собственном понимании и проверять объяснения через самостоятельное изменение и тестирование кода.
Course Contents
- Введение в машинное обучение и рекомендательные системы
- Подготовка данных и ML pipeline
- Базовые методы машинного обучения
- Content-based filtering
- Collaborative filtering и implicit feedback
- Матричная факторизация и эмбеддинги
- Основы нейронных сетей и representation learning
- Two-Tower Models и retrieval-based recommendation.
- Трансформеры, языковые модели и LLM for Recommendation.
- Semantic retrieval и векторный поиск.
- RAG, re-ranking и анализ экспериментов.
- Итоговые презентации capstone-проектов
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 homeworkРабота 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.
Interim Assessment
- 2026/2027 2nd moduleИтоговая оценка: • посещаемость — 10%; • работа на занятиях и домашние задания — 30%; • промежуточное 24-часовое соревнование на Kaggle — 20%; • итоговый capstone-проект — 40%. Работа на занятиях и домашние задания включают еженедельные практические ноутбуки, краткую интерпретацию результатов, журнал обучения с ИИ, а также код-ревью и взаимную обратную связь. Студенты должны уметь объяснить baseline, внесённые изменения, влияние изменений на метрику и ограничения эксперимента. Итоговая оценка определяется на основе суммарного балла по всем видам работы и последующего ранжирования студентов, выполнивших обязательные требования курса. Итоговый capstone-проект является блокирующим элементом контроля. Несдача capstone-проекта влечёт выставление оценки «неудовлетворительно» независимо от суммы остальных баллов. Студент, набравший менее 35 баллов из 100, получает оценку «неудовлетворительно». Для студентов, выполнивших capstone-проект и набравших не менее 35 баллов, ориентировочное распределение оценок следующее: • оценка «5» — 30% лучших результатов; • оценка «4» — следующие 40% результатов; • оценка «3» — оставшиеся 30% результатов. Границы между группами могут быть скорректированы не более чем на ±5 процентных пунктов с учётом фактического распределения итоговых баллов. Final mark: attendance: 10%; in-class work and homework: 30%; 24-hour Kaggle midterm competition: 20%; final capstone project: 40%. 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. The final grade is based on the total score across all assessed work and subsequent rank-based normalization among students who have met the mandatory course requirements. The final capstone project is a blocking assessment component. Failure to submit the capstone results in a failing grade regardless of the other accumulated points. A student with fewer than 35 points out of 100 receives a failing grade. For students who submit the capstone and obtain at least 35 points, the target grade distribution is: grade 5: the top 30% of results; grade 4: the next 40% of results; grade 3: the remaining 30% of results. The boundaries between groups may be adjusted by no more than ±5 percentage points in light of the actual distribution of total scores.
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.