2026/2027
RecSys
ID 1155300
Статус:
Маго-лего
Где читается:
Факультет компьютерных наук
Когда читается:
1 модуль
Охват аудитории:
для своего кампуса
Преподаватели:
Тараканов Александр Александрович
Язык:
русский
Кредиты:
3
Контактные часы:
24
Программа дисциплины
Аннотация
Курс знакомит с основными подходами к построению рекомендательных систем: коллаборативной и контентной фильтрацией, матричной факторизацией, ранжированием, генерацией кандидатов и последовательными рекомендациями. Рассматриваются методы оценки качества и практические аспекты построения рекомендательных систем. Теоретический материал сопровождается практическими заданиями на реальных данных.
Цель освоения дисциплины
- Знать основные типы рекомендательных систем и принципы их построения.
- Уметь применять методы коллаборативной и контентной фильтрации.
- Понимать принципы матричной факторизации и латентных представлений пользователей и объектов.
- Понимать основные подходы к генерации кандидатов и ранжированию в современных рекомендательных системах.
- Знать принципы построения последовательных рекомендательных моделей и уметь применять их на практике.
- Уметь выбирать и рассчитывать основные метрики качества рекомендательных систем.
- Уметь проводить экспериментальное сравнение рекомендательных моделей и интерпретировать полученные результаты.
- Понимать основные практические проблемы рекомендательных систем: холодный старт, разнообразие рекомендаций, смещения и обратные связи.
Планируемые результаты обучения
- формулирует задачу построения рекомендательной системы;
- применяет основные методы коллаборативной и контентной фильтрации;
- строит рекомендательные модели на основе матричной факторизации и последовательных данных;
- использует методы генерации кандидатов и ранжирования;
- выбирает и рассчитывает метрики качества рекомендательных систем;
- проводит экспериментальное сравнение рекомендательных моделей;
- анализирует и интерпретирует полученные рекомендации и результаты экспериментов;
- выбирает подход к построению рекомендательной системы с учётом особенностей данных и практических ограничений.
Содержание учебной дисциплины
- Введение в рекомендательные системы
- Коллаборативная и контентная фильтрация
- Эмбеддинги и латентные представления
- Генерация кандидатов и ранжирование
- Последовательные рекомендательные системы
- Современные рекомендательные системы на практике
Промежуточная аттестация
- 2026/2027 1st moduleИтог = Округление(0.29 * ДЗ_1 + 0.29 * ДЗ_2 + 0.42 * Э), где ДЗ_1 — оценка за Домашнюю работу 1, ДЗ_2 — оценка за Домашнюю работу 2, Э — оценка за экзамен.
