2024/2025
RecSys
Статус:
Маго-лего
Когда читается:
3, 4 модуль
Охват аудитории:
для своего кампуса
Язык:
английский
Кредиты:
3
Course Syllabus
Abstract
В современном мире представлено огромное количество контента: видео, книги, музыка, статьи. Однако из-за этого информационного изобилия человеку сложно выбрать то, что действительно интересно. Эту задачу помогают решить алгоритмы рекомендательных систем. Сегодня они применяются в самых разных сервисах: интернет-магазинах, видеохостингах, новостных платформах, рекомендательных лентах и многих других. Хотя их работа не всегда заметна, рекомендательные алгоритмы стали неотъемлемой частью нашей повседневной жизни.
В этом курсе мы изучим как классические методы рекомендаций, такие как матричные факторизации, так и современные нейросетевые подходы. Поскольку рекомендательные системы имеют ярко выраженную прикладную направленность, мы уделим внимание их практическому применению и разберемся, как внедрять эти алгоритмы в продакшен.
Learning Objectives
- ● Разобраться в ключевых концепциях и методах построения рекомендательных систем.
- ● Научиться применять современные алгоритмы, включая матричные факторизации и нейросетевые подходы, для решения реальных задач рекомендаций.
- ● Получить практические навыки работы с популярными инструментами и фреймворками.
Expected Learning Outcomes
- ● Будут понимать ключевые принципы работы рекомендательных систем и их теоретические основы.
- ● Освоят основные методы, такие как матричная факторизация, коллаборативная фильтрация, контентные и гибридные рекомендации.
- ● Узнают о современных подходах, включая нейросетевые модели и трансформеры в рекомендациях, и смогут применять их на практике.
Course Contents
- Введение, общая постановка задачи, основные концепции
- Методы на основе матричных факторизаций
- Нейросетевые и content-based рекомендации
- Обучение ранжированию и оценка качества рекомендаций
Assessment Elements
- ● HW1: Методы на основе матричных факторизаций
- ● HW2: Нейросетевые подходы. Ранжирование
Interim Assessment
- 2024/2025 4th moduleОценки выставляется по сумме баллов за домашние работы. Если человек не выполнил домашние работы, то отправляется на экзамен, где будут задаваться устные вопросы по материалу лекций или просьба написать код по материалам, пройденным на семинарах. ● 80 % баллов - отлично ● 65 % баллов - хорошо ● 50 % баллов - удовлетворительно
Bibliography
Recommended Core Bibliography
- Manouselis, N., Drachsler, H., Verbert, K., Duval, E. Recommender Systems for Learning. – Springer, 2013. – ЭБС Books 24x7.
Recommended Additional Bibliography
- Фальк, К. Рекомендательные системы на практике : руководство / К. Фальк , перевод с английского Д. М. Павлова. — Москва : ДМК Пресс, 2020. — 448 с. — ISBN 978-5-97060-774-9. — Текст : электронный // Лань : электронно-библиотечная система. — URL: https://e.lanbook.com/book/179458 (дата обращения: 00.00.0000). — Режим доступа: для авториз. пользователей.