Wiki - Факультет компьютерных наук - Вклад [ru]

https://wiki.cs.hse.ru/api.php?action=feedcontributions&feedformat=atom&user=Dkivanov Wiki - Факультет компьютерных наук - Вклад [ru] 2026-09-22T21:21:47Z Вклад MediaWiki 1.43.9 https://wiki.cs.hse.ru/index.php?title=%D0%A0%D0%B5%D0%BA%D0%BE%D0%BC%D0%B5%D0%BD%D0%B4%D0%B0%D1%82%D0%B5%D0%BB%D1%8C%D0%BD%D1%8B%D0%B5_%D1%81%D0%B8%D1%81%D1%82%D0%B5%D0%BC%D1%8B&diff=84213 Рекомендательные системы 2024-03-14T21:41:47Z

<p>Dkivanov: /* Материалы курса */</p> <hr /> <div>==О курсе==<br /> <br /> 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 постановке и имплементации рекомендательных ML моделей на Python от простой коллаборативной фильтрации до современных нейронных сетей.<br /> <br /> [https://docs.google.com/document/d/1LtN4PqIyNgdGd1WFGVpz31H5djEEcvEbHww-YhzPDc0/edit?usp=sharing ПУД]<br /> <br /> == Цели и результаты курса ==<br /> <br /> Главная цель - сформировать знания, умения и навыки по разработке рекомендательных систем в исследовательских и индустриальных задачах. <br /> <br /> Планируемые результаты:<br /> * Знать основные подходы рекомендательных систем и алгоритмов к решению задачи ранжирования и рекомендаций пользователям. <br /> * Уметь правильно определять и формализовывать задачу для построения рекомендательной системы.<br /> * Определять и имплементировать функции ранжирования и метрики качества оценки алгоритмов. <br /> * Разрабатывать модели машинного обучения для рекомендательных систем разной сложности на языке программирования Python.<br /> * Объяснять и интерпретировать предсказания на локальном и глобальном уровне моделей, использовать их для отладки ошибок и аномалий. <br /> * Разрабатывать базовые API сервисы для рекомендательных моделей с помощью docker. <br /> <br /> ==Контакты==<br /> <br /> Репозиторий курса: [https://github.com/anamarina/RecSys_course Github]<br /> <br /> Чат курса: [https://t.me/+eFmJENLT9TpmZWRi Telegram]<br /> {| class="wikitable" style="text-align:center; width:30%; border:none; cellpadding=5px;"<br /> |-<br /> | |<br /> | style="background:#eaecf0; border: 2px solid gray;" colspan="3" | '''Контакты'''<br /> |- style="border: 2px solid gray;"<br /> ! Преподаватель<br /> | style="border: 2px solid gray;" | [https://t.me/ananyevame Марина Ананьева]<br /> | style="border: 2px solid gray;" | [https://t.me/lashinin Олег Лашинин]<br /> | style="border: 2px solid gray;" | [https://t.me/deethereal Денис Красильников]<br /> |- style="border: 2px solid gray;"<br /> ! Ассистент<br /> | style="border: 2px solid gray;" colspan="3" | [https://t.me/mdeil007 Данил Иванов]<br /> |-<br /> |}<br /> <br /> ==Оценки==<br /> [https://docs.google.com/spreadsheets/d/1ODp5Hw5QZmo-Mvw2nZ9nNTdT0zRgk8m4HAuN0-zz1KI/edit?usp=sharing Таблица с оценками]<br /> <br /> Определим накопленную оценку как '''Накоп = (0.3 * ДЗ + 0.25 * Т + 0.15 * Р) / 0.7'''<br /> <br /> Оценка ставится по формуле:<br /> '''Final grade = Округление(0.7 * Накоп + 0.3 * Э)''', где<br /> <br /> '''ДЗ''' - среднее за 2 домашних задания. Одно на тему имплементации метрик оценки качества ранжирования, другое - участие в открытом соревновании по рекомендательным системам на онлайн платформе (Boosters/Kaggle). <br /> <br /> '''Т''' - средняя арифметическая оценка за 15 тестов, которые проводятся на базе Google Forms/Anytask. Каждый тест содержит от 4 до 10 вопросов на пройденную тему последних лекции и семинаре в формате открытых вопросов либо с выбором ответов. <br /> <br /> '''Р''' - критический анализ выбранной научной статьи на тему рекомендательных систем из предложенного списка. Состоит из 5 заданий, каждое задание оценивается на 0, 1 или 2 балла.<br /> <br /> '''Э''' - устный, дистанционный экзамен на онлайн платформе Zoom. Разрешается пользоваться материалами. Экзамен неблокирующий. Продолжительность - 15 минут на студента. Максимальная оценка 10 баллов на основе общего впечатления преподавателя от ответов студента.<br /> <br /> Если '''Накоп >= 8''' и '''Т >= 8''', то студент может получить '''Накоп''' в качестве итоговой оценки, не приходя на экзамен. Значения порогов могут быть пересмотрены с учетом фактической общей успеваемости потока.<br /> <br /> ==Материалы курса==<br /> <br /> Еженедельные квизы и записи трансляций доступны [http://edu.tinkoff.ru/all-activities/courses/b4e80a4b-436d-413d-ae61-be88bcdcbb29 по ссылке]<br /> <br /> {| class="wikitable"<br /> |-<br /> ! Неделя !! Тема !! Материалы !! Домашнее задание !! Дедлайн <br /> |-<br /> | style="background:#eaecf0;" | '''1''' || Введение в рекомендательные системы || [https://github.com/anamarina/RecSys_course/blob/2024/week1/Lecture1.pdf Лекция и семинар] || - || -<br /> |-<br /> | style="background:#eaecf0;" | '''2''' || Базовые подходы || [https://github.com/anamarina/RecSys_course/blob/2024/week2/Lecture2.pdf Лекция] [https://github.com/anamarina/RecSys_course/blob/2024/week2/Seminar2.ipynb Семинар] || - || -<br /> |-<br /> | style="background:#eaecf0;" | '''3''' || Матричные факторизации || [https://github.com/anamarina/RecSys_course/blob/2024/week3/MF_full.ipynb Лекция и семинар] || - || -<br /> |-<br /> | style="background:#eaecf0;" | '''4''' || Коллаборативная фильтрация || [https://github.com/anamarina/RecSys_course/blob/2024/week4/Lecture4.pdf Лекция] [https://github.com/anamarina/RecSys_course/blob/2024/week4/ALS_NeurMF.ipynb Семинар] || - || -<br /> |-<br /> | style="background:#eaecf0;" | '''5''' || Контентные и контекстные подходы || [https://github.com/anamarina/RecSys_course/blob/2024/week5/Lecture5.pdf Лекция] [https://github.com/anamarina/RecSys_course/blob/2024/week5/Content_approaches.ipynb Семинар] || - || -<br /> |-<br /> | style="background:#eaecf0;" | '''6''' || Гибридные подходы || to be added || - || -<br /> |-<br /> | style="background:#eaecf0;" | '''7''' || Sequential-based подходы || [https://github.com/anamarina/RecSys_course/blob/2024/week7/Lecture7.pdf Лекция] [https://github.com/anamarina/RecSys_course/blob/2024/week7/seq.ipynb Семинар] || [https://github.com/anamarina/RecSys_course/blob/2024/hw/HSE_RecSys_HW1.ipynb ДЗ1] || 24.03.24 23:59 MSK<br /> |-<br /> |}<br /> <br /> ==Программное обеспечение==<br /> <br /> * Python >= 3.10<br /> * Jupyter Notebook<br /> * pip3<br /> <br /> ==Список литературы==<br /> 1. Charu C. Aggarwal. Recommender Systems: The Textbook, Springer, April 2016 – Режим доступа: https://www.springer.com/gp/book/9783319296579<br /> <br /> 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</div>

Dkivanov https://wiki.cs.hse.ru/index.php?title=%D0%A0%D0%B5%D0%BA%D0%BE%D0%BC%D0%B5%D0%BD%D0%B4%D0%B0%D1%82%D0%B5%D0%BB%D1%8C%D0%BD%D1%8B%D0%B5_%D1%81%D0%B8%D1%81%D1%82%D0%B5%D0%BC%D1%8B&diff=84115 Рекомендательные системы 2024-03-09T10:15:08Z

<p>Dkivanov: </p> <hr /> <div>==О курсе==<br /> <br /> 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 постановке и имплементации рекомендательных ML моделей на Python от простой коллаборативной фильтрации до современных нейронных сетей.<br /> <br /> [https://docs.google.com/document/d/1LtN4PqIyNgdGd1WFGVpz31H5djEEcvEbHww-YhzPDc0/edit?usp=sharing ПУД]<br /> <br /> == Цели и результаты курса ==<br /> <br /> Главная цель - сформировать знания, умения и навыки по разработке рекомендательных систем в исследовательских и индустриальных задачах. <br /> <br /> Планируемые результаты:<br /> * Знать основные подходы рекомендательных систем и алгоритмов к решению задачи ранжирования и рекомендаций пользователям. <br /> * Уметь правильно определять и формализовывать задачу для построения рекомендательной системы.<br /> * Определять и имплементировать функции ранжирования и метрики качества оценки алгоритмов. <br /> * Разрабатывать модели машинного обучения для рекомендательных систем разной сложности на языке программирования Python.<br /> * Объяснять и интерпретировать предсказания на локальном и глобальном уровне моделей, использовать их для отладки ошибок и аномалий. <br /> * Разрабатывать базовые API сервисы для рекомендательных моделей с помощью docker. <br /> <br /> ==Контакты==<br /> <br /> Репозиторий курса: [https://github.com/anamarina/RecSys_course Github]<br /> <br /> Чат курса: [https://t.me/+eFmJENLT9TpmZWRi Telegram]<br /> {| class="wikitable" style="text-align:center; width:30%; border:none; cellpadding=5px;"<br /> |-<br /> | |<br /> | style="background:#eaecf0; border: 2px solid gray;" colspan="3" | '''Контакты'''<br /> |- style="border: 2px solid gray;"<br /> ! Преподаватель<br /> | style="border: 2px solid gray;" | [https://t.me/ananyevame Марина Ананьева]<br /> | style="border: 2px solid gray;" | [https://t.me/lashinin Олег Лашинин]<br /> | style="border: 2px solid gray;" | [https://t.me/deethereal Денис Красильников]<br /> |- style="border: 2px solid gray;"<br /> ! Ассистент<br /> | style="border: 2px solid gray;" colspan="3" | [https://t.me/mdeil007 Данил Иванов]<br /> |-<br /> |}<br /> <br /> ==Оценки==<br /> [https://docs.google.com/spreadsheets/d/1ODp5Hw5QZmo-Mvw2nZ9nNTdT0zRgk8m4HAuN0-zz1KI/edit?usp=sharing Таблица с оценками]<br /> <br /> Определим накопленную оценку как '''Накоп = (0.3 * ДЗ + 0.25 * Т + 0.15 * Р) / 0.7'''<br /> <br /> Оценка ставится по формуле:<br /> '''Final grade = Округление(0.7 * Накоп + 0.3 * Э)''', где<br /> <br /> '''ДЗ''' - среднее за 2 домашних задания. Одно на тему имплементации метрик оценки качества ранжирования, другое - участие в открытом соревновании по рекомендательным системам на онлайн платформе (Boosters/Kaggle). <br /> <br /> '''Т''' - средняя арифметическая оценка за 15 тестов, которые проводятся на базе Google Forms/Anytask. Каждый тест содержит от 4 до 10 вопросов на пройденную тему последних лекции и семинаре в формате открытых вопросов либо с выбором ответов. <br /> <br /> '''Р''' - критический анализ выбранной научной статьи на тему рекомендательных систем из предложенного списка. Состоит из 5 заданий, каждое задание оценивается на 0, 1 или 2 балла.<br /> <br /> '''Э''' - устный, дистанционный экзамен на онлайн платформе Zoom. Разрешается пользоваться материалами. Экзамен неблокирующий. Продолжительность - 15 минут на студента. Максимальная оценка 10 баллов на основе общего впечатления преподавателя от ответов студента.<br /> <br /> Если '''Накоп >= 8''' и '''Т >= 8''', то студент может получить '''Накоп''' в качестве итоговой оценки, не приходя на экзамен. Значения порогов могут быть пересмотрены с учетом фактической общей успеваемости потока.<br /> <br /> ==Материалы курса==<br /> <br /> Еженедельные квизы и записи трансляций доступны [http://edu.tinkoff.ru/all-activities/courses/b4e80a4b-436d-413d-ae61-be88bcdcbb29 по ссылке]<br /> <br /> {| class="wikitable"<br /> |-<br /> ! Неделя !! Тема !! Материалы !! Домашнее задание !! Дедлайн <br /> |-<br /> | style="background:#eaecf0;" | '''1''' || Введение в рекомендательные системы || [https://github.com/anamarina/RecSys_course/blob/2024/week1/Lecture1.pdf Лекция и семинар] || - || -<br /> |-<br /> | style="background:#eaecf0;" | '''2''' || Базовые подходы || [https://github.com/anamarina/RecSys_course/blob/2024/week2/Lecture2.pdf Лекция] [https://github.com/anamarina/RecSys_course/blob/2024/week2/Seminar2.ipynb Семинар] || - || -<br /> |-<br /> | style="background:#eaecf0;" | '''3''' || Матричные факторизации || [https://github.com/anamarina/RecSys_course/blob/2024/week3/MF_full.ipynb Лекция и семинар] || - || -<br /> |-<br /> | style="background:#eaecf0;" | '''4''' || Коллаборативная фильтрация || [https://github.com/anamarina/RecSys_course/blob/2024/week4/Lecture4.pdf Лекция] [https://github.com/anamarina/RecSys_course/blob/2024/week4/ALS_NeurMF.ipynb Семинар] || - || -<br /> |-<br /> | style="background:#eaecf0;" | '''5''' || Контентные и контекстные подходы || [https://github.com/anamarina/RecSys_course/blob/2024/week5/Lecture5.pdf Лекция] [https://github.com/anamarina/RecSys_course/blob/2024/week5/Content_approaches.ipynb Семинар] || - || -<br /> |-<br /> | style="background:#eaecf0;" | '''6''' || Гибридные подходы || to be added || - || -<br /> |-<br /> | style="background:#eaecf0;" | '''7''' || Sequential подходы || - || [https://github.com/anamarina/RecSys_course/blob/2024/hw/HSE_RecSys_HW1.ipynb ДЗ1] || 24.03.24 23:59 MSK<br /> |-<br /> |}<br /> <br /> ==Программное обеспечение==<br /> <br /> * Python >= 3.10<br /> * Jupyter Notebook<br /> * pip3<br /> <br /> ==Список литературы==<br /> 1. Charu C. Aggarwal. Recommender Systems: The Textbook, Springer, April 2016 – Режим доступа: https://www.springer.com/gp/book/9783319296579<br /> <br /> 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</div>

Dkivanov https://wiki.cs.hse.ru/index.php?title=%D0%A0%D0%B5%D0%BA%D0%BE%D0%BC%D0%B5%D0%BD%D0%B4%D0%B0%D1%82%D0%B5%D0%BB%D1%8C%D0%BD%D1%8B%D0%B5_%D1%81%D0%B8%D1%81%D1%82%D0%B5%D0%BC%D1%8B&diff=84114 Рекомендательные системы 2024-03-09T10:14:49Z

<p>Dkivanov: </p> <hr /> <div>==О курсе==<br /> <br /> 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 постановке и имплементации рекомендательных ML моделей на Python от простой коллаборативной фильтрации до современных нейронных сетей.<br /> <br /> [https://docs.google.com/document/d/1LtN4PqIyNgdGd1WFGVpz31H5djEEcvEbHww-YhzPDc0/edit?usp=sharing ПУД]<br /> <br /> == Цели и результаты курса ==<br /> <br /> Главная цель - сформировать знания, умения и навыки по разработке рекомендательных систем в исследовательских и индустриальных задачах. <br /> <br /> Планируемые результаты:<br /> * Знать основные подходы рекомендательных систем и алгоритмов к решению задачи ранжирования и рекомендаций пользователям. <br /> * Уметь правильно определять и формализовывать задачу для построения рекомендательной системы.<br /> * Определять и имплементировать функции ранжирования и метрики качества оценки алгоритмов. <br /> * Разрабатывать модели машинного обучения для рекомендательных систем разной сложности на языке программирования Python.<br /> * Объяснять и интерпретировать предсказания на локальном и глобальном уровне моделей, использовать их для отладки ошибок и аномалий. <br /> * Разрабатывать базовые API сервисы для рекомендательных моделей с помощью docker. <br /> <br /> ==Контакты==<br /> <br /> Репозиторий курса: [https://github.com/anamarina/RecSys_course Github]<br /> <br /> Чат курса: [https://t.me/+eFmJENLT9TpmZWRi Telegram]<br /> {| class="wikitable" style="text-align:center; width:30%; border:none; cellpadding=5px;"<br /> |-<br /> | |<br /> | style="background:#eaecf0; border: 2px solid gray;" colspan="3" | '''Контакты'''<br /> |- style="border: 2px solid gray;"<br /> ! Преподаватель<br /> | style="border: 2px solid gray;" | [https://t.me/ananyevame Марина Ананьева]<br /> | style="border: 2px solid gray;" | [https://t.me/lashinin Олег Лашинин]<br /> | style="border: 2px solid gray;" | [https://t.me/deethereal Денис Красильников]<br /> |- style="border: 2px solid gray;"<br /> ! Ассистент<br /> | style="border: 2px solid gray;" colspan="3" | [https://t.me/mdeil007 Данил Иванов]<br /> |-<br /> |}<br /> <br /> ==Оценки==<br /> [https://docs.google.com/spreadsheets/d/1ODp5Hw5QZmo-Mvw2nZ9nNTdT0zRgk8m4HAuN0-zz1KI/edit?usp=sharing Таблица с оценками]<br /> <br /> Определим накопленную оценку как '''Накоп = (0.3 * ДЗ + 0.25 * Т + 0.15 * Р) / 0.7'''<br /> <br /> Оценка ставится по формуле:<br /> '''Final grade = Округление(0.7 * Накоп + 0.3 * Э)''', где<br /> <br /> '''ДЗ''' - среднее за 2 домашних задания. Одно на тему имплементации метрик оценки качества ранжирования, другое - участие в открытом соревновании по рекомендательным системам на онлайн платформе (Boosters/Kaggle). <br /> <br /> '''Т''' - средняя арифметическая оценка за 15 тестов, которые проводятся на базе Google Forms/Anytask. Каждый тест содержит от 4 до 10 вопросов на пройденную тему последних лекции и семинаре в формате открытых вопросов либо с выбором ответов. <br /> <br /> '''Р''' - критический анализ выбранной научной статьи на тему рекомендательных систем из предложенного списка. Состоит из 5 заданий, каждое задание оценивается на 0, 1 или 2 балла.<br /> <br /> '''Э''' - устный, дистанционный экзамен на онлайн платформе Zoom. Разрешается пользоваться материалами. Экзамен неблокирующий. Продолжительность - 15 минут на студента. Максимальная оценка 10 баллов на основе общего впечатления преподавателя от ответов студента.<br /> <br /> Если '''Накоп >= 8''' и '''Т >= 8''', то студент может получить '''Накоп''' в качестве итоговой оценки, не приходя на экзамен. Значения порогов могут быть пересмотрены с учетом фактической общей успеваемости потока.<br /> <br /> ==Материалы курса==<br /> <br /> Еженедельные квизы и записи трансляций доступны [http://edu.tinkoff.ru/all-activities/courses/b4e80a4b-436d-413d-ae61-be88bcdcbb29 по ссылке]<br /> <br /> {| class="wikitable"<br /> |-<br /> ! Неделя !! Тема !! Материалы !! Домашнее задание !! Дедлайн <br /> |-<br /> | style="background:#eaecf0;" | '''1''' || Введение в рекомендательные системы || [https://github.com/anamarina/RecSys_course/blob/2024/week1/Lecture1.pdf Лекция и семинар] || - || -<br /> |-<br /> | style="background:#eaecf0;" | '''2''' || Базовые подходы || [https://github.com/anamarina/RecSys_course/blob/2024/week2/Lecture2.pdf Лекция] [https://github.com/anamarina/RecSys_course/blob/2024/week2/Seminar2.ipynb Семинар] || - || -<br /> |-<br /> | style="background:#eaecf0;" | '''3''' || Матричные факторизации || [https://github.com/anamarina/RecSys_course/blob/2024/week3/MF_full.ipynb Лекция и семинар] || - || -<br /> |-<br /> | style="background:#eaecf0;" | '''4''' || Коллаборативная фильтрация || [https://github.com/anamarina/RecSys_course/blob/2024/week4/Lecture4.pdf Лекция] [https://github.com/anamarina/RecSys_course/blob/2024/week4/ALS_NeurMF.ipynb Семинар] || - || -<br /> |-<br /> | style="background:#eaecf0;" | '''5''' || Контентные и контекстные подходы || [https://github.com/anamarina/RecSys_course/blob/2024/week5/Lecture5.pdf Лекция] [https://github.com/anamarina/RecSys_course/blob/2024/week5/Content_approaches.ipynb Семинар] || - || -<br /> |-<br /> | style="background:#eaecf0;" | '''6''' || Гибридные подходы || to be added || - || -<br /> |-<br /> | style="background:#eaecf0;" | '''7''' || Sequential подходы || - || [https://github.com/anamarina/RecSys_course/blob/2024/hw/HSE_RecSys_HW1.ipynb ДЗ1] || 23.03.24 23:59 ?<br /> |-<br /> |}<br /> <br /> ==Программное обеспечение==<br /> <br /> * Python >= 3.10<br /> * Jupyter Notebook<br /> * pip3<br /> <br /> ==Список литературы==<br /> 1. Charu C. Aggarwal. Recommender Systems: The Textbook, Springer, April 2016 – Режим доступа: https://www.springer.com/gp/book/9783319296579<br /> <br /> 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</div>

Dkivanov https://wiki.cs.hse.ru/index.php?title=%D0%A0%D0%B5%D0%BA%D0%BE%D0%BC%D0%B5%D0%BD%D0%B4%D0%B0%D1%82%D0%B5%D0%BB%D1%8C%D0%BD%D1%8B%D0%B5_%D1%81%D0%B8%D1%81%D1%82%D0%B5%D0%BC%D1%8B&diff=84097 Рекомендательные системы 2024-03-08T12:04:32Z

<p>Dkivanov: </p> <hr /> <div>==О курсе==<br /> <br /> 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 постановке и имплементации рекомендательных ML моделей на Python от простой коллаборативной фильтрации до современных нейронных сетей.<br /> <br /> [https://docs.google.com/document/d/1LtN4PqIyNgdGd1WFGVpz31H5djEEcvEbHww-YhzPDc0/edit?usp=sharing ПУД]<br /> <br /> == Цели и результаты курса ==<br /> <br /> Главная цель - сформировать знания, умения и навыки по разработке рекомендательных систем в исследовательских и индустриальных задачах. <br /> <br /> Планируемые результаты:<br /> * Знать основные подходы рекомендательных систем и алгоритмов к решению задачи ранжирования и рекомендаций пользователям. <br /> * Уметь правильно определять и формализовывать задачу для построения рекомендательной системы.<br /> * Определять и имплементировать функции ранжирования и метрики качества оценки алгоритмов. <br /> * Разрабатывать модели машинного обучения для рекомендательных систем разной сложности на языке программирования Python.<br /> * Объяснять и интерпретировать предсказания на локальном и глобальном уровне моделей, использовать их для отладки ошибок и аномалий. <br /> * Разрабатывать базовые API сервисы для рекомендательных моделей с помощью docker. <br /> <br /> ==Контакты==<br /> <br /> Репозиторий курса: [https://github.com/anamarina/RecSys_course Github]<br /> <br /> Чат курса: [https://t.me/+eFmJENLT9TpmZWRi Telegram]<br /> {| class="wikitable" style="text-align:center; width:30%; border:none; cellpadding=5px;"<br /> |-<br /> | |<br /> | style="background:#eaecf0; border: 2px solid gray;" colspan="3" | '''Контакты'''<br /> |- style="border: 2px solid gray;"<br /> ! Преподаватель<br /> | style="border: 2px solid gray;" | [https://t.me/ananyevame Марина Ананьева]<br /> | style="border: 2px solid gray;" | [https://t.me/lashinin Олег Лашинин]<br /> | style="border: 2px solid gray;" | [https://t.me/deethereal Денис Красильников]<br /> |- style="border: 2px solid gray;"<br /> ! Ассистент<br /> | style="border: 2px solid gray;" colspan="3" | [https://t.me/mdeil007 Данил Иванов]<br /> |-<br /> |}<br /> <br /> ==Оценки==<br /> [https://docs.google.com/spreadsheets/d/1ODp5Hw5QZmo-Mvw2nZ9nNTdT0zRgk8m4HAuN0-zz1KI/edit?usp=sharing Таблица с оценками]<br /> <br /> Определим накопленную оценку как '''Накоп = (0.3 * ДЗ + 0.25 * Т + 0.15 * Р) / 0.7'''<br /> <br /> Оценка ставится по формуле:<br /> '''Final grade = Округление(0.7 * Накоп + 0.3 * Э)''', где<br /> <br /> '''ДЗ''' - среднее за 2 домашних задания. Одно на тему имплементации метрик оценки качества ранжирования, другое - участие в открытом соревновании по рекомендательным системам на онлайн платформе (Boosters/Kaggle). <br /> <br /> '''Т''' - средняя арифметическая оценка за 15 тестов, которые проводятся на базе Google Forms/Anytask. Каждый тест содержит от 4 до 10 вопросов на пройденную тему последних лекции и семинаре в формате открытых вопросов либо с выбором ответов. <br /> <br /> '''Р''' - критический анализ выбранной научной статьи на тему рекомендательных систем из предложенного списка. Состоит из 5 заданий, каждое задание оценивается на 0, 1 или 2 балла.<br /> <br /> '''Э''' - устный, дистанционный экзамен на онлайн платформе Zoom. Разрешается пользоваться материалами. Экзамен неблокирующий. Продолжительность - 15 минут на студента. Максимальная оценка 10 баллов на основе общего впечатления преподавателя от ответов студента.<br /> <br /> Если '''Накоп >= 8''' и '''Т >= 8''', то студент может получить '''Накоп''' в качестве итоговой оценки, не приходя на экзамен. Значения порогов могут быть пересмотрены с учетом фактической общей успеваемости потока.<br /> <br /> ==Материалы курса==<br /> <br /> Еженедельные квизы и записи трансляций доступны [http://edu.tinkoff.ru/all-activities/courses/b4e80a4b-436d-413d-ae61-be88bcdcbb29 по ссылке]<br /> <br /> {| class="wikitable"<br /> |-<br /> ! Неделя !! Тема !! Материалы !! Домашнее задание !! Дедлайн <br /> |-<br /> | style="background:#eaecf0;" | '''1''' || Введение в рекомендательные системы || [https://github.com/anamarina/RecSys_course/blob/2024/week1/Lecture1.pdf Лекция и семинар] || - || -<br /> |-<br /> | style="background:#eaecf0;" | '''2''' || Базовые подходы || [https://github.com/anamarina/RecSys_course/blob/2024/week2/Lecture2.pdf Лекция] [https://github.com/anamarina/RecSys_course/blob/2024/week2/Seminar2.ipynb Семинар] || - || -<br /> |-<br /> | style="background:#eaecf0;" | '''3''' || Матричные факторизации || [https://github.com/anamarina/RecSys_course/blob/2024/week3/MF_full.ipynb Лекция и семинар] || - || -<br /> |-<br /> | style="background:#eaecf0;" | '''4''' || Коллаборативная фильтрация || [https://github.com/anamarina/RecSys_course/blob/2024/week4/Lecture4.pdf Лекция] [https://github.com/anamarina/RecSys_course/blob/2024/week4/ALS_NeurMF.ipynb Семинар] || - || -<br /> |-<br /> | style="background:#eaecf0;" | '''5''' || Контентные и контекстные подходы || [https://github.com/anamarina/RecSys_course/blob/2024/week5/Lecture5.pdf Лекция] [https://github.com/anamarina/RecSys_course/blob/2024/week5/Content_approaches.ipynb Семинар] || - || -<br /> |-<br /> | style="background:#eaecf0;" | '''6''' || Гибридные подходы || to be added || - || -<br /> |-<br /> | style="background:#eaecf0;" | '''7''' || - || - || to be added || 23.03.24 23:59 ?<br /> |-<br /> |}<br /> <br /> ==Программное обеспечение==<br /> <br /> * Python >= 3.10<br /> * Jupyter Notebook<br /> * pip3<br /> <br /> ==Список литературы==<br /> 1. Charu C. Aggarwal. Recommender Systems: The Textbook, Springer, April 2016 – Режим доступа: https://www.springer.com/gp/book/9783319296579<br /> <br /> 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</div>

Dkivanov https://wiki.cs.hse.ru/index.php?title=%D0%A0%D0%B5%D0%BA%D0%BE%D0%BC%D0%B5%D0%BD%D0%B4%D0%B0%D1%82%D0%B5%D0%BB%D1%8C%D0%BD%D1%8B%D0%B5_%D1%81%D0%B8%D1%81%D1%82%D0%B5%D0%BC%D1%8B&diff=84096 Рекомендательные системы 2024-03-08T12:03:33Z

<p>Dkivanov: </p> <hr /> <div>==О курсе==<br /> <br /> 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 постановке и имплементации рекомендательных ML моделей на Python от простой коллаборативной фильтрации до современных нейронных сетей.<br /> <br /> [https://docs.google.com/document/d/1LtN4PqIyNgdGd1WFGVpz31H5djEEcvEbHww-YhzPDc0/edit?usp=sharing ПУД]<br /> <br /> == Цели и результаты курса ==<br /> <br /> Главная цель - сформировать знания, умения и навыки по разработке рекомендательных систем в исследовательских и индустриальных задачах. <br /> <br /> Планируемые результаты:<br /> * Знать основные подходы рекомендательных систем и алгоритмов к решению задачи ранжирования и рекомендаций пользователям. <br /> * Уметь правильно определять и формализовывать задачу для построения рекомендательной системы.<br /> * Определять и имплементировать функции ранжирования и метрики качества оценки алгоритмов. <br /> * Разрабатывать модели машинного обучения для рекомендательных систем разной сложности на языке программирования Python.<br /> * Объяснять и интерпретировать предсказания на локальном и глобальном уровне моделей, использовать их для отладки ошибок и аномалий. <br /> * Разрабатывать базовые API сервисы для рекомендательных моделей с помощью docker. <br /> <br /> ==Контакты==<br /> <br /> Репозиторий курса: [https://github.com/anamarina/RecSys_course Github]<br /> <br /> Чат курса: [https://t.me/+eFmJENLT9TpmZWRi Telegram]<br /> {| class="wikitable" style="text-align:center; width:30%; border:none; cellpadding=5px;"<br /> |-<br /> | |<br /> | style="background:#eaecf0; border: 2px solid gray;" colspan="3" | '''Контакты'''<br /> |- style="border: 2px solid gray;"<br /> ! Преподаватель<br /> | style="border: 2px solid gray;" | [https://t.me/ananyevame Марина Ананьева]<br /> | style="border: 2px solid gray;" | [https://t.me/lashinin Олег Лашинин]<br /> | style="border: 2px solid gray;" | [https://t.me/deethereal Денис Красильников]<br /> |- style="border: 2px solid gray;"<br /> ! Ассистент<br /> | style="border: 2px solid gray;" colspan="3" | [https://t.me/mdeil007 Данил Иванов]<br /> |-<br /> |}<br /> <br /> ==Оценки==<br /> [https://docs.google.com/spreadsheets/d/1ODp5Hw5QZmo-Mvw2nZ9nNTdT0zRgk8m4HAuN0-zz1KI/edit?usp=sharing Таблица с оценками]<br /> <br /> Определим накопленную оценку как '''Накоп = (0.3 * ДЗ + 0.25 * Т + 0.15 * Р) / 0.7'''<br /> <br /> Оценка ставится по формуле:<br /> '''Final grade = Округление(0.7 * Накоп + 0.3 * Э)''', где<br /> <br /> '''ДЗ''' - среднее за 2 домашних задания. Одно на тему имплементации метрик оценки качества ранжирования, другое - участие в открытом соревновании по рекомендательным системам на онлайн платформе (Boosters/Kaggle). <br /> <br /> '''Т''' - средняя арифметическая оценка за 15 тестов, которые проводятся на базе Google Forms/Anytask. Каждый тест содержит от 4 до 10 вопросов на пройденную тему последних лекции и семинаре в формате открытых вопросов либо с выбором ответов. <br /> <br /> '''Р''' - критический анализ выбранной научной статьи на тему рекомендательных систем из предложенного списка. Состоит из 5 заданий, каждое задание оценивается на 0, 1 или 2 балла.<br /> <br /> '''Э''' - устный, дистанционный экзамен на онлайн платформе Zoom. Разрешается пользоваться материалами. Экзамен неблокирующий. Продолжительность - 15 минут на студента. Максимальная оценка 10 баллов на основе общего впечатления преподавателя от ответов студента.<br /> <br /> Если '''Накоп >= 8''' и '''Т >= 8''', то студент может получить '''Накоп''' в качестве итоговой оценки, не приходя на экзамен. Значения порогов могут быть пересмотрены с учетом фактической общей успеваемости потока.<br /> <br /> ==Материалы курса==<br /> <br /> Еженедельные квизы и записи трансляций доступны [http://edu.tinkoff.ru/all-activities/courses/b4e80a4b-436d-413d-ae61-be88bcdcbb29 по ссылке]<br /> <br /> {| class="wikitable"<br /> |-<br /> ! Неделя !! Тема !! Материалы !! Домашнее задание !! Дедлайн <br /> |-<br /> | style="background:#eaecf0;" | '''1''' || Введение в рекомендательные системы || [https://github.com/anamarina/RecSys_course/blob/2024/week1/Lecture1.pdf Лекция и семинар] || - || -<br /> |-<br /> | style="background:#eaecf0;" | '''2''' || Базовые подходы || [https://github.com/anamarina/RecSys_course/blob/2024/week2/Lecture2.pdf Лекция] [https://github.com/anamarina/RecSys_course/blob/2024/week2/Seminar2.ipynb Семинар] || - || -<br /> |-<br /> | style="background:#eaecf0;" | '''3''' || Матричные факторизации || [https://github.com/anamarina/RecSys_course/blob/2024/week3/MF_full.ipynb Лекция и семинар] || - || -<br /> |-<br /> | style="background:#eaecf0;" | '''4''' || Коллаборативная фильтрация || [https://github.com/anamarina/RecSys_course/blob/2024/week4/Lecture4.pdf Лекция] [https://github.com/anamarina/RecSys_course/blob/2024/week4/ALS_NeurMF.ipynb Семинар] || - || -<br /> |-<br /> | style="background:#eaecf0;" | '''5''' || Контентные и контекстные подходы || [https://github.com/anamarina/RecSys_course/blob/2024/week5/Lecture5.pdf Лекция] [https://github.com/anamarina/RecSys_course/blob/2024/week5/Content_approaches.ipynb Семинар] || - || -<br /> |-<br /> | style="background:#eaecf0;" | '''6''' || Гибридные подходы || to be added || - || -<br /> |-<br /> | style="background:#eaecf0;" | '''7''' || - || - || to be added || 23.03.24 23:59 <br /> |-<br /> |}<br /> <br /> ==Программное обеспечение==<br /> <br /> * Python >= 3.10<br /> * Jupyter Notebook<br /> * pip3<br /> <br /> ==Список литературы==<br /> 1. Charu C. Aggarwal. Recommender Systems: The Textbook, Springer, April 2016 – Режим доступа: https://www.springer.com/gp/book/9783319296579<br /> <br /> 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</div>

Dkivanov https://wiki.cs.hse.ru/index.php?title=%D0%A0%D0%B5%D0%BA%D0%BE%D0%BC%D0%B5%D0%BD%D0%B4%D0%B0%D1%82%D0%B5%D0%BB%D1%8C%D0%BD%D1%8B%D0%B5_%D1%81%D0%B8%D1%81%D1%82%D0%B5%D0%BC%D1%8B&diff=84095 Рекомендательные системы 2024-03-08T11:57:10Z

<p>Dkivanov: </p> <hr /> <div>==О курсе==<br /> <br /> 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 постановке и имплементации рекомендательных ML моделей на Python от простой коллаборативной фильтрации до современных нейронных сетей.<br /> <br /> [https://docs.google.com/document/d/1LtN4PqIyNgdGd1WFGVpz31H5djEEcvEbHww-YhzPDc0/edit?usp=sharing ПУД]<br /> <br /> == Цели и результаты курса ==<br /> <br /> Главная цель - сформировать знания, умения и навыки по разработке рекомендательных систем в исследовательских и индустриальных задачах. <br /> <br /> Планируемые результаты:<br /> * Знать основные подходы рекомендательных систем и алгоритмов к решению задачи ранжирования и рекомендаций пользователям. <br /> * Уметь правильно определять и формализовывать задачу для построения рекомендательной системы.<br /> * Определять и имплементировать функции ранжирования и метрики качества оценки алгоритмов. <br /> * Разрабатывать модели машинного обучения для рекомендательных систем разной сложности на языке программирования Python.<br /> * Объяснять и интерпретировать предсказания на локальном и глобальном уровне моделей, использовать их для отладки ошибок и аномалий. <br /> * Разрабатывать базовые API сервисы для рекомендательных моделей с помощью docker. <br /> <br /> ==Контакты==<br /> <br /> Репозиторий курса: [https://github.com/anamarina/RecSys_course Github]<br /> <br /> Чат курса: [https://t.me/+eFmJENLT9TpmZWRi Telegram]<br /> {| class="wikitable" style="text-align:center; width:30%; border:none; cellpadding=5px;"<br /> |-<br /> | |<br /> | style="background:#eaecf0; border: 2px solid gray;" colspan="3" | '''Контакты'''<br /> |- style="border: 2px solid gray;"<br /> ! Преподаватель<br /> | style="border: 2px solid gray;" | [https://t.me/ananyevame Марина Ананьева]<br /> | style="border: 2px solid gray;" | [https://t.me/lashinin Олег Лашинин]<br /> | style="border: 2px solid gray;" | [https://t.me/deethereal Денис Красильников]<br /> |- style="border: 2px solid gray;"<br /> ! Ассистент<br /> | style="border: 2px solid gray;" colspan="3" | [https://t.me/mdeil007 Данил Иванов]<br /> |-<br /> |}<br /> <br /> ==Оценки==<br /> [https://docs.google.com/spreadsheets/d/1ODp5Hw5QZmo-Mvw2nZ9nNTdT0zRgk8m4HAuN0-zz1KI/edit?usp=sharing Таблица с оценками]<br /> <br /> Определим накопленную оценку как '''Накоп = (0.3 * ДЗ + 0.25 * Т + 0.15 * Р) / 0.7'''<br /> <br /> Оценка ставится по формуле:<br /> '''Final grade = Округление(0.7 * Накоп + 0.3 * Э)''', где<br /> <br /> '''ДЗ''' - среднее за 2 домашних задания. Одно на тему имплементации метрик оценки качества ранжирования, другое - участие в открытом соревновании по рекомендательным системам на онлайн платформе (Boosters/Kaggle). <br /> <br /> '''Т''' - средняя арифметическая оценка за 15 тестов, которые проводятся на базе Google Forms/Anytask. Каждый тест содержит от 4 до 10 вопросов на пройденную тему последних лекции и семинаре в формате открытых вопросов либо с выбором ответов. <br /> <br /> '''Р''' - критический анализ выбранной научной статьи на тему рекомендательных систем из предложенного списка. Состоит из 5 заданий, каждое задание оценивается на 0, 1 или 2 балла.<br /> <br /> '''Э''' - устный, дистанционный экзамен на онлайн платформе Zoom. Разрешается пользоваться материалами. Экзамен неблокирующий. Продолжительность - 15 минут на студента. Максимальная оценка 10 баллов на основе общего впечатления преподавателя от ответов студента.<br /> <br /> Если '''Накоп >= 8''' и '''Т >= 8''', то студент может получить '''Накоп''' в качестве итоговой оценки, не приходя на экзамен. Значения порогов могут быть пересмотрены с учетом фактической общей успеваемости потока.<br /> <br /> ==Материалы курса==<br /> <br /> Еженедельные квизы и записи трансляций доступны [http://edu.tinkoff.ru/all-activities/courses/b4e80a4b-436d-413d-ae61-be88bcdcbb29 по ссылке]<br /> <br /> {| class="wikitable"<br /> |-<br /> ! Неделя !! Тема !! Материалы !! Домашнее задание !! Дедлайн <br /> |-<br /> | style="background:#eaecf0;" | '''1''' || Введение в рекомендательные системы || [https://github.com/anamarina/RecSys_course/blob/2024/week1/Lecture1.pdf Лекция и семинар] || - || -<br /> | style="background:#eaecf0;" | '''2''' || Базовые подходы || [https://github.com/anamarina/RecSys_course/blob/2024/week2/Lecture2.pdf Лекция] [https://github.com/anamarina/RecSys_course/blob/2024/week2/Seminar2.ipynb Семинар] || - || - || -<br /> | style="background:#eaecf0;" | '''3''' || Матричные факторизации || [https://github.com/anamarina/RecSys_course/blob/2024/week3/MF_full.ipynb Лекция и семинар] || - || -<br /> | style="background:#eaecf0;" | '''4''' || Коллаборативная фильтрация || [https://github.com/anamarina/RecSys_course/blob/2024/week4/Lecture4.pdf Лекция] [https://github.com/anamarina/RecSys_course/blob/2024/week4/ALS_NeurMF.ipynb Семинар] || - || -<br /> | style="background:#eaecf0;" | '''5''' || Контентные и контекстные подходы || [https://github.com/anamarina/RecSys_course/blob/2024/week5/Lecture5.pdf Лекция] [https://github.com/anamarina/RecSys_course/blob/2024/week5/Content_approaches.ipynb Семинар] || - || -<br /> | style="background:#eaecf0;" | '''6''' || Гибридные подходы || to be added || - || -<br /> | style="background:#eaecf0;" | '''7''' || - || - || to be added || 23.03.24 23:59<br /> |-<br /> |}<br /> <br /> ==Программное обеспечение==<br /> <br /> * Python >= 3.10<br /> * Jupyter Notebook<br /> * pip3<br /> <br /> ==Список литературы==<br /> 1. Charu C. Aggarwal. Recommender Systems: The Textbook, Springer, April 2016 – Режим доступа: https://www.springer.com/gp/book/9783319296579<br /> <br /> 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</div>

Dkivanov https://wiki.cs.hse.ru/index.php?title=%D0%A0%D0%B5%D0%BA%D0%BE%D0%BC%D0%B5%D0%BD%D0%B4%D0%B0%D1%82%D0%B5%D0%BB%D1%8C%D0%BD%D1%8B%D0%B5_%D1%81%D0%B8%D1%81%D1%82%D0%B5%D0%BC%D1%8B&diff=83349 Рекомендательные системы 2024-01-30T16:56:42Z

<p>Dkivanov: add course program</p> <hr /> <div>==О курсе==<br /> <br /> 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 постановке и имплементации рекомендательных ML моделей на Python от простой коллаборативной фильтрации до современных нейронных сетей.<br /> <br /> [https://docs.google.com/document/d/1LtN4PqIyNgdGd1WFGVpz31H5djEEcvEbHww-YhzPDc0/edit?usp=sharing ПУД]<br /> <br /> == Цели и результаты курса ==<br /> <br /> Главная цель - сформировать знания, умения и навыки по разработке рекомендательных систем в исследовательских и индустриальных задачах. <br /> <br /> Планируемые результаты:<br /> * Знать основные подходы рекомендательных систем и алгоритмов к решению задачи ранжирования и рекомендаций пользователям. <br /> * Уметь правильно определять и формализовывать задачу для построения рекомендательной системы.<br /> * Определять и имплементировать функции ранжирования и метрики качества оценки алгоритмов. <br /> * Разрабатывать модели машинного обучения для рекомендательных систем разной сложности на языке программирования Python.<br /> * Объяснять и интерпретировать предсказания на локальном и глобальном уровне моделей, использовать их для отладки ошибок и аномалий. <br /> * Разрабатывать базовые API сервисы для рекомендательных моделей с помощью docker. <br /> <br /> ==Контакты==<br /> <br /> Репозиторий курса: [https://github.com/anamarina/RecSys_course Github]<br /> <br /> Чат курса: [https://t.me/+eFmJENLT9TpmZWRi Telegram]<br /> {| class="wikitable" style="text-align:center; width:30%; border:none; cellpadding=5px;"<br /> |-<br /> | |<br /> | style="background:#eaecf0; border: 2px solid gray;" colspan="3" | '''Контакты'''<br /> |- style="border: 2px solid gray;"<br /> ! Преподаватель<br /> | style="border: 2px solid gray;" | [https://t.me/ananyevame Марина Ананьева]<br /> | style="border: 2px solid gray;" | [https://t.me/lashinin Олег Лашинин]<br /> | style="border: 2px solid gray;" | [https://t.me/deethereal Денис Красильников]<br /> |- style="border: 2px solid gray;"<br /> ! Ассистент<br /> | style="border: 2px solid gray;" colspan="3" | [https://t.me/mdeil007 Данил Иванов]<br /> |-<br /> |}<br /> <br /> ==Оценки==<br /> [https://docs.google.com/spreadsheets/d/1ODp5Hw5QZmo-Mvw2nZ9nNTdT0zRgk8m4HAuN0-zz1KI/edit?usp=sharing Таблица с оценками]<br /> <br /> Определим накопленную оценку как '''Накоп = (0.3 * ДЗ + 0.25 * Т + 0.15 * Р) / 0.7'''<br /> <br /> Оценка ставится по формуле:<br /> '''Final grade = Округление(0.7 * Накоп + 0.3 * Э)''', где<br /> <br /> '''ДЗ''' - среднее за 2 домашних задания. Одно на тему имплементации метрик оценки качества ранжирования, другое - участие в открытом соревновании по рекомендательным системам на онлайн платформе (Boosters/Kaggle). <br /> <br /> '''Т''' - средняя арифметическая оценка за 15 тестов, которые проводятся на базе Google Forms/Anytask. Каждый тест содержит от 4 до 10 вопросов на пройденную тему последних лекции и семинаре в формате открытых вопросов либо с выбором ответов. <br /> <br /> '''Р''' - критический анализ выбранной научной статьи на тему рекомендательных систем из предложенного списка. Состоит из 5 заданий, каждое задание оценивается на 0, 1 или 2 балла.<br /> <br /> '''Э''' - устный, дистанционный экзамен на онлайн платформе Zoom. Разрешается пользоваться материалами. Экзамен неблокирующий. Продолжительность - 15 минут на студента. Максимальная оценка 10 баллов на основе общего впечатления преподавателя от ответов студента.<br /> <br /> Если '''Накоп >= 8''' и '''Т >= 8''', то студент может получить '''Накоп''' в качестве итоговой оценки, не приходя на экзамен. Значения порогов могут быть пересмотрены с учетом фактической общей успеваемости потока.<br /> <br /> ==Материалы курса==<br /> <br /> {| class="wikitable"<br /> |-<br /> ! Неделя !! Тема !! Материалы !! Quiz !! Домашнее задание !! Дедлайн <br /> |-<br /> | style="background:#eaecf0;" | '''1''' || Введение в рекомендательные системы || - || - || - || -<br /> |-<br /> |}<br /> <br /> ==Программное обеспечение==<br /> <br /> * Python >= 3.10<br /> * Jupyter Notebook<br /> * pip3<br /> <br /> ==Список литературы==<br /> 1. Charu C. Aggarwal. Recommender Systems: The Textbook, Springer, April 2016 – Режим доступа: https://www.springer.com/gp/book/9783319296579<br /> <br /> 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</div>

Dkivanov https://wiki.cs.hse.ru/index.php?title=%D0%A0%D0%B5%D0%BA%D0%BE%D0%BC%D0%B5%D0%BD%D0%B4%D0%B0%D1%82%D0%B5%D0%BB%D1%8C%D0%BD%D1%8B%D0%B5_%D1%81%D0%B8%D1%81%D1%82%D0%B5%D0%BC%D1%8B&diff=83036 Рекомендательные системы 2024-01-19T09:40:13Z

<p>Dkivanov: </p> <hr /> <div>==О курсе==<br /> <br /> 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 постановке и имплементации рекомендательных ML моделей на Python от простой коллаборативной фильтрации до современных нейронных сетей.<br /> <br /> == Цели и результаты курса ==<br /> <br /> Главная цель - сформировать знания, умения и навыки по разработке рекомендательных систем в исследовательских и индустриальных задачах. <br /> <br /> Планируемые результаты:<br /> * Знать основные подходы рекомендательных систем и алгоритмов к решению задачи ранжирования и рекомендаций пользователям. <br /> * Уметь правильно определять и формализовывать задачу для построения рекомендательной системы.<br /> * Определять и имплементировать функции ранжирования и метрики качества оценки алгоритмов. <br /> * Разрабатывать модели машинного обучения для рекомендательных систем разной сложности на языке программирования Python.<br /> * Объяснять и интерпретировать предсказания на локальном и глобальном уровне моделей, использовать их для отладки ошибок и аномалий. <br /> * Разрабатывать базовые API сервисы для рекомендательных моделей с помощью docker. <br /> <br /> ==Контакты==<br /> <br /> Репозиторий курса: [https://github.com/anamarina/RecSys_course Github]<br /> <br /> Чат курса: [https://t.me/+eFmJENLT9TpmZWRi Telegram]<br /> {| class="wikitable" style="text-align:center; width:30%; border:none; cellpadding=5px;"<br /> |-<br /> | |<br /> | style="background:#eaecf0; border: 2px solid gray;" colspan="3" | '''Контакты'''<br /> |- style="border: 2px solid gray;"<br /> ! Преподаватель<br /> | style="border: 2px solid gray;" | [https://t.me/ananyevame Марина Ананьева]<br /> | style="border: 2px solid gray;" | [https://t.me/lashinin Олег Лашинин]<br /> | style="border: 2px solid gray;" | [https://t.me/deethereal Денис Красильников]<br /> |- style="border: 2px solid gray;"<br /> ! Ассистент<br /> | style="border: 2px solid gray;" colspan="3" | [https://t.me/mdeil007 Данил Иванов]<br /> |-<br /> |}<br /> <br /> ==Оценки==<br /> [https://docs.google.com/spreadsheets/d/1ODp5Hw5QZmo-Mvw2nZ9nNTdT0zRgk8m4HAuN0-zz1KI/edit?usp=sharing Таблица с оценками]<br /> <br /> Определим накопленную оценку как '''Накоп = (0.3 * ДЗ + 0.25 * Т + 0.15 * Р) / 0.7'''<br /> <br /> Оценка ставится по формуле:<br /> '''Final grade = Округление(0.7 * Накоп + 0.3 * Э)''', где<br /> <br /> '''ДЗ''' - среднее за 2 домашних задания. Одно на тему имплементации метрик оценки качества ранжирования, другое - участие в открытом соревновании по рекомендательным системам на онлайн платформе (Boosters/Kaggle). <br /> <br /> '''Т''' - средняя арифметическая оценка за 15 тестов, которые проводятся на базе Google Forms/Anytask. Каждый тест содержит от 4 до 10 вопросов на пройденную тему последних лекции и семинаре в формате открытых вопросов либо с выбором ответов. <br /> <br /> '''Р''' - критический анализ выбранной научной статьи на тему рекомендательных систем из предложенного списка. Состоит из 5 заданий, каждое задание оценивается на 0, 1 или 2 балла.<br /> <br /> '''Э''' - устный, дистанционный экзамен на онлайн платформе Zoom. Разрешается пользоваться материалами. Экзамен неблокирующий. Продолжительность - 15 минут на студента. Максимальная оценка 10 баллов на основе общего впечатления преподавателя от ответов студента.<br /> <br /> Если '''Накоп >= 8''' и '''Т >= 8''', то студент может получить '''Накоп''' в качестве итоговой оценки, не приходя на экзамен. Значения порогов могут быть пересмотрены с учетом фактической общей успеваемости потока.<br /> <br /> ==Материалы курса==<br /> <br /> {| class="wikitable"<br /> |-<br /> ! Неделя !! Тема !! Материалы !! Quiz !! Домашнее задание !! Дедлайн <br /> |-<br /> | style="background:#eaecf0;" | '''1''' || Введение в рекомендательные системы || - || - || - || -<br /> |-<br /> |}<br /> <br /> ==Программное обеспечение==<br /> <br /> * Python >= 3.10<br /> * Jupyter Notebook<br /> * pip3<br /> <br /> ==Список литературы==<br /> 1. Charu C. Aggarwal. Recommender Systems: The Textbook, Springer, April 2016 – Режим доступа: https://www.springer.com/gp/book/9783319296579<br /> <br /> 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</div>

Dkivanov https://wiki.cs.hse.ru/index.php?title=%D0%A0%D0%B5%D0%BA%D0%BE%D0%BC%D0%B5%D0%BD%D0%B4%D0%B0%D1%82%D0%B5%D0%BB%D1%8C%D0%BD%D1%8B%D0%B5_%D1%81%D0%B8%D1%81%D1%82%D0%B5%D0%BC%D1%8B&diff=83035 Рекомендательные системы 2024-01-19T09:37:59Z

<p>Dkivanov: update grade info</p> <hr /> <div>==О курсе==<br /> <br /> 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 постановке и имплементации рекомендательных ML моделей на Python от простой коллаборативной фильтрации до современных нейронных сетей.<br /> <br /> == Цели и результаты курса ==<br /> <br /> Главная цель - сформировать знания, умения и навыки по разработке рекомендательных систем в исследовательских и индустриальных задачах. <br /> <br /> Планируемые результаты:<br /> * Знать основные подходы рекомендательных систем и алгоритмов к решению задачи ранжирования и рекомендаций пользователям. <br /> * Уметь правильно определять и формализовывать задачу для построения рекомендательной системы.<br /> * Определять и имплементировать функции ранжирования и метрики качества оценки алгоритмов. <br /> * Разрабатывать модели машинного обучения для рекомендательных систем разной сложности на языке программирования Python.<br /> * Объяснять и интерпретировать предсказания на локальном и глобальном уровне моделей, использовать их для отладки ошибок и аномалий. <br /> * Разрабатывать базовые API сервисы для рекомендательных моделей с помощью docker. <br /> <br /> ==Контакты==<br /> <br /> Репозиторий курса: [https://github.com/anamarina/RecSys_course Github]<br /> <br /> Чат курса: [https://t.me/+eFmJENLT9TpmZWRi Telegram]<br /> {| class="wikitable" style="text-align:center; width:30%; border:none; cellpadding=5px;"<br /> |-<br /> | |<br /> | style="background:#eaecf0; border: 2px solid gray;" colspan="3" | '''Контакты'''<br /> |- style="border: 2px solid gray;"<br /> ! Преподаватель<br /> | style="border: 2px solid gray;" | [https://t.me/ananyevame Марина Ананьева]<br /> | style="border: 2px solid gray;" | [https://t.me/lashinin Олег Лашинин]<br /> | style="border: 2px solid gray;" | [https://t.me/deethereal Денис Красильников]<br /> |- style="border: 2px solid gray;"<br /> ! Ассистент<br /> | style="border: 2px solid gray;" colspan="3" | [https://t.me/mdeil007 Данил Иванов]<br /> |-<br /> |}<br /> <br /> ==Оценки==<br /> [https://docs.google.com/spreadsheets/d/1ODp5Hw5QZmo-Mvw2nZ9nNTdT0zRgk8m4HAuN0-zz1KI/edit?usp=sharing Таблица с оценками]<br /> <br /> Определим накопленную оценку как '''Накоп = 0.3 * ДЗ + 0.25 * Т + 0.15 * Р'''<br /> <br /> Оценка ставится по формуле:<br /> '''Final grade = Округление(0.7 * Накоп + 0.3 * Э)''', где<br /> <br /> '''ДЗ''' - среднее за 2 домашних задания. Одно на тему имплементации метрик оценки качества ранжирования, другое - участие в открытом соревновании по рекомендательным системам на онлайн платформе (Boosters/Kaggle). <br /> <br /> '''Т''' - средняя арифметическая оценка за 15 тестов, которые проводятся на базе Google Forms/Anytask. Каждый тест содержит от 4 до 10 вопросов на пройденную тему последних лекции и семинаре в формате открытых вопросов либо с выбором ответов. <br /> <br /> '''Р''' - критический анализ выбранной научной статьи на тему рекомендательных систем из предложенного списка. Состоит из 5 заданий, каждое задание оценивается на 0, 1 или 2 балла.<br /> <br /> '''Э''' - устный, дистанционный экзамен на онлайн платформе Zoom. Разрешается пользоваться материалами. Экзамен неблокирующий. Продолжительность - 15 минут на студента. Максимальная оценка 10 баллов на основе общего впечатления преподавателя от ответов студента.<br /> <br /> Если '''Накоп >= 8''' и '''Т >= 8''', то студент может получить '''Накоп''' в качестве итоговой оценки, не приходя на экзамен. Значения порогов могут быть пересмотрены с учетом фактической общей успеваемости потока.<br /> <br /> ==Материалы курса==<br /> <br /> {| class="wikitable"<br /> |-<br /> ! Неделя !! Тема !! Материалы !! Quiz !! Домашнее задание !! Дедлайн <br /> |-<br /> | style="background:#eaecf0;" | '''1''' || Введение в рекомендательные системы || - || - || - || -<br /> |-<br /> |}<br /> <br /> ==Программное обеспечение==<br /> <br /> * Python >= 3.10<br /> * Jupyter Notebook<br /> * pip3<br /> <br /> ==Список литературы==<br /> 1. Charu C. Aggarwal. Recommender Systems: The Textbook, Springer, April 2016 – Режим доступа: https://www.springer.com/gp/book/9783319296579<br /> <br /> 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</div>

Dkivanov https://wiki.cs.hse.ru/index.php?title=%D0%A0%D0%B5%D0%BA%D0%BE%D0%BC%D0%B5%D0%BD%D0%B4%D0%B0%D1%82%D0%B5%D0%BB%D1%8C%D0%BD%D1%8B%D0%B5_%D1%81%D0%B8%D1%81%D1%82%D0%B5%D0%BC%D1%8B&diff=83023 Рекомендательные системы 2024-01-18T22:03:48Z

<p>Dkivanov: add recsys page for 3 course '24</p> <hr /> <div>==О курсе==<br /> <br /> 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 постановке и имплементации рекомендательных ML моделей на Python от простой коллаборативной фильтрации до современных нейронных сетей.<br /> <br /> == Цели и результаты курса ==<br /> <br /> Главная цель - сформировать знания, умения и навыки по разработке рекомендательных систем в исследовательских и индустриальных задачах. <br /> <br /> Планируемые результаты:<br /> * Знать основные подходы рекомендательных систем и алгоритмов к решению задачи ранжирования и рекомендаций пользователям. <br /> * Уметь правильно определять и формализовывать задачу для построения рекомендательной системы.<br /> * Определять и имплементировать функции ранжирования и метрики качества оценки алгоритмов. <br /> * Разрабатывать модели машинного обучения для рекомендательных систем разной сложности на языке программирования Python.<br /> * Объяснять и интерпретировать предсказания на локальном и глобальном уровне моделей, использовать их для отладки ошибок и аномалий. <br /> * Разрабатывать базовые API сервисы для рекомендательных моделей с помощью docker. <br /> <br /> ==Контакты==<br /> <br /> Репозиторий курса: [https://github.com/anamarina/RecSys_course Github]<br /> <br /> Чат курса: [https://t.me/+eFmJENLT9TpmZWRi Telegram]<br /> {| class="wikitable" style="text-align:center; width:30%; border:none; cellpadding=5px;"<br /> |-<br /> | |<br /> | style="background:#eaecf0; border: 2px solid gray;" colspan="3" | '''Контакты'''<br /> |- style="border: 2px solid gray;"<br /> ! Преподаватель<br /> | style="border: 2px solid gray;" | [https://t.me/ananyevame Марина Ананьева]<br /> | style="border: 2px solid gray;" | [https://t.me/lashinin Олег Лашинин]<br /> | style="border: 2px solid gray;" | [https://t.me/deethereal Денис Красильников]<br /> |- style="border: 2px solid gray;"<br /> ! Ассистент<br /> | style="border: 2px solid gray;" colspan="3" | [https://t.me/mdeil007 Данил Иванов]<br /> |-<br /> |}<br /> <br /> ==Оценки==<br /> [https://docs.google.com/spreadsheets/d/1ODp5Hw5QZmo-Mvw2nZ9nNTdT0zRgk8m4HAuN0-zz1KI/edit?usp=sharing Таблица с оценками]<br /> <br /> Оценка ставится по формуле:<br /> <br /> '''Final grade = Округление(0.3 * ДЗ + 0.25 * Т + 0.15 * Р + 0.3 * Э)''', где<br /> <br /> '''ДЗ''' - среднее за 2 домашних задания. Одно на тему имплементации метрик оценки качества ранжирования, другое - участие в открытом соревновании по рекомендательным системам на онлайн платформе (Boosters/Kaggle). <br /> <br /> '''Т''' - средняя арифметическая оценка за 15 тестов, которые проводятся на базе Google Forms/Anytask. Каждый тест содержит от 4 до 10 вопросов на пройденную тему последних лекции и семинаре в формате открытых вопросов либо с выбором ответов. <br /> <br /> '''Р''' - критический анализ выбранной научной статьи на тему рекомендательных систем из предложенного списка. Состоит из 5 заданий, каждое задание оценивается на 0, 1 или 2 балла.<br /> <br /> '''Э''' - устный, дистанционный экзамен на онлайн платформе Zoom. Разрешается пользоваться материалами. Экзамен неблокирующий. Продолжительность - 15 минут на студента. Максимальная оценка 10 баллов на основе общего впечатления преподавателя от ответов студента.<br /> <br /> ==Материалы курса==<br /> <br /> {| class="wikitable"<br /> |-<br /> ! Неделя !! Тема !! Материалы !! Quiz !! Домашнее задание !! Дедлайн <br /> |-<br /> | style="background:#eaecf0;" | '''1''' || Введение в рекомендательные системы || - || - || - || -<br /> |-<br /> |}<br /> <br /> ==Программное обеспечение==<br /> <br /> * Python >= 3.10<br /> * Jupyter Notebook<br /> * pip3<br /> <br /> ==Список литературы==<br /> 1. Charu C. Aggarwal. Recommender Systems: The Textbook, Springer, April 2016 – Режим доступа: https://www.springer.com/gp/book/9783319296579<br /> <br /> 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</div>

Dkivanov