Представления текстов в рекомендательных системах (командный проект) - История изменений

Esokolov: /* Темы вводных занятий */

2017-10-31T16:03:12Z

Темы вводных занятий

← Предыдущая версия		Версия от 16:03, 31 октября 2017
Строка 52:		Строка 52:
	=== Темы вводных занятий ===		=== Темы вводных занятий ===
	1. Машинное обучение в рекомендательных системах.		1. Машинное обучение в рекомендательных системах.

	2. Работа с логами и пользовательскими данными.		2. Работа с логами и пользовательскими данными.

	3. Архитектура рекомендательных систем.		3. Архитектура рекомендательных систем.

Esokolov: /* Какие начальные требования? */

2017-10-31T16:03:05Z

Какие начальные требования?

← Предыдущая версия		Версия от 16:03, 31 октября 2017
Строка 45:		Строка 45:
	=== Какие начальные требования? ===		=== Какие начальные требования? ===
	1. Понимание основ машинного обучения, приветствуется опыт работы с нейронными сетями в TensorFlow/Keras.		1. Понимание основ машинного обучения, приветствуется опыт работы с нейронными сетями в TensorFlow/Keras.

	2. Знание Python.		2. Знание Python.

	3. Знание C++ или Java.		3. Знание C++ или Java.

Esokolov: /* Какие будут использоваться технологии? */

2017-10-31T16:02:57Z

Какие будут использоваться технологии?

← Предыдущая версия		Версия от 16:02, 31 октября 2017
Строка 36:		Строка 36:
	=== Какие будут использоваться технологии? ===		=== Какие будут использоваться технологии? ===
	1. Python для обучения и сравнения моделей.		1. Python для обучения и сравнения моделей.

	2. Java для внедрения моделей.		2. Java для внедрения моделей.

	3. Внутренние технологии Яндекса для распределённых вычислений.		3. Внутренние технологии Яндекса для распределённых вычислений.

	4. Git для совместной работы над кодом.		4. Git для совместной работы над кодом.

Esokolov: /* Организация работы (Как студенты будут работать в команде?) */

2017-10-31T16:02:49Z

Организация работы (Как студенты будут работать в команде?)

← Предыдущая версия		Версия от 16:02, 31 октября 2017
Строка 26:		Строка 26:
	=== Организация работы (Как студенты будут работать в команде?) ===		=== Организация работы (Как студенты будут работать в команде?) ===
	1. Регулярные встречи с менторами (раз в 1-2 недели).		1. Регулярные встречи с менторами (раз в 1-2 недели).

	2. Ревью кода.		2. Ревью кода.

	3. Каждый студент поработает как над аналитической частью (анализ данных, построение моделей), так и над инженерными задачами (внедрение моделей, проверка качества). При этом возможно и разделение — кто-то больше занимается работой с моделями, кто-то концентрируется на инфраструктурных вопросах.		3. Каждый студент поработает как над аналитической частью (анализ данных, построение моделей), так и над инженерными задачами (внедрение моделей, проверка качества). При этом возможно и разделение — кто-то больше занимается работой с моделями, кто-то концентрируется на инфраструктурных вопросах.

Esokolov: /* Чему научатся студенты? Что самое интересное в проекте? */

2017-10-31T16:02:42Z

Чему научатся студенты? Что самое интересное в проекте?

← Предыдущая версия		Версия от 16:02, 31 октября 2017
Строка 19:		Строка 19:
	=== Чему научатся студенты? Что самое интересное в проекте? ===		=== Чему научатся студенты? Что самое интересное в проекте? ===
	1. Работа с данными сервиса, которым ежедневно пользуются более 7 миллионов человек.		1. Работа с данными сервиса, которым ежедневно пользуются более 7 миллионов человек.

	2. Обучение сложных нейросетевых моделей на больших объёмах данных.		2. Обучение сложных нейросетевых моделей на больших объёмах данных.

	3. Ускорение моделей — тема, которая слабо покрывается в классических курсах по машинному обучению, но которая очень важна в индустрии при разработке высоконагруженных сервисов.		3. Ускорение моделей — тема, которая слабо покрывается в классических курсах по машинному обучению, но которая очень важна в индустрии при разработке высоконагруженных сервисов.

Esokolov: /* Что это за проект? */

2017-10-31T16:02:34Z

Что это за проект?

← Предыдущая версия		Версия от 16:02, 31 октября 2017
Строка 12:		Строка 12:

	В проекте мы предлагаем решить две серьёзные проблемы текущего подхода:		В проекте мы предлагаем решить две серьёзные проблемы текущего подхода:

	1. Сейчас представления — это вещественные векторы. Хранить такие векторы, искать ближайшие к ним, вычислять скалярные произведения — достаточно трудоёмкие операции. Нужно изучить и сравнить способы бинаризации или сжатия векторов, которые позволяют ускорить вычисления без больших потерь в качестве.		1. Сейчас представления — это вещественные векторы. Хранить такие векторы, искать ближайшие к ним, вычислять скалярные произведения — достаточно трудоёмкие операции. Нужно изучить и сравнить способы бинаризации или сжатия векторов, которые позволяют ускорить вычисления без больших потерь в качестве.

	2. В текущей версии представления обучаются достаточно примитивными способами. Их можно улучшить, если воспользоваться глубинными нейронными сетями — тогда можно взять все данные по статье (текст, изображения) и по пользователю (история посещений) и обучить на этом совместные представления для документов и для пользователей.		2. В текущей версии представления обучаются достаточно примитивными способами. Их можно улучшить, если воспользоваться глубинными нейронными сетями — тогда можно взять все данные по статье (текст, изображения) и по пользователю (история посещений) и обучить на этом совместные представления для документов и для пользователей.

Esokolov: /* Контактная информация */

2017-10-31T15:59:08Z

Контактная информация

← Предыдущая версия		Версия от 15:59, 31 октября 2017
Строка 52:		Строка 52:
	=== Контактная информация ===		=== Контактная информация ===
	esokolov@hse.ru		esokolov@hse.ru

	telegram: @esokolov		telegram: @esokolov

Esokolov: Новая страница, с помощью формы Новый_командный_проект

2017-10-31T15:58:58Z

Новая страница, с помощью формы Новый_командный_проект

Новая страница

{{Карточка_командного_проекта
|name=Представления текстов в рекомендательных системах
|company=Яндекс.Дзен
|semester=Осень 2017
|course=3
|number_of_students=2-4
|categorize=yes
}}

=== Что это за проект? ===
В рекомендациях статей очень важно уметь понимать, насколько данный текст похож на те, которые пользователь читал раньше. Для этого мы используем представления текстов — на основе word2vec, тематических моделей и т.д.

В проекте мы предлагаем решить две серьёзные проблемы текущего подхода:
1. Сейчас представления — это вещественные векторы. Хранить такие векторы, искать ближайшие к ним, вычислять скалярные произведения — достаточно трудоёмкие операции. Нужно изучить и сравнить способы бинаризации или сжатия векторов, которые позволяют ускорить вычисления без больших потерь в качестве.
2. В текущей версии представления обучаются достаточно примитивными способами. Их можно улучшить, если воспользоваться глубинными нейронными сетями — тогда можно взять все данные по статье (текст, изображения) и по пользователю (история посещений) и обучить на этом совместные представления для документов и для пользователей.

=== Чему научатся студенты? Что самое интересное в проекте? ===
1. Работа с данными сервиса, которым ежедневно пользуются более 7 миллионов человек.
2. Обучение сложных нейросетевых моделей на больших объёмах данных.
3. Ускорение моделей — тема, которая слабо покрывается в классических курсах по машинному обучению, но которая очень важна в индустрии при разработке высоконагруженных сервисов.

=== Организация работы (Как студенты будут работать в команде?) ===
1. Регулярные встречи с менторами (раз в 1-2 недели).
2. Ревью кода.
3. Каждый студент поработает как над аналитической частью (анализ данных, построение моделей), так и над инженерными задачами (внедрение моделей, проверка качества). При этом возможно и разделение — кто-то больше занимается работой с моделями, кто-то концентрируется на инфраструктурных вопросах.

=== Компоненеты (Из каких частей состоит проект?) ===

=== Какие будут использоваться технологии? ===
1. Python для обучения и сравнения моделей.
2. Java для внедрения моделей.
3. Внутренние технологии Яндекса для распределённых вычислений.
4. Git для совместной работы над кодом.

=== Какие начальные требования? ===
1. Понимание основ машинного обучения, приветствуется опыт работы с нейронными сетями в TensorFlow/Keras.
2. Знание Python.
3. Знание C++ или Java.

=== Темы вводных занятий ===
1. Машинное обучение в рекомендательных системах.
2. Работа с логами и пользовательскими данными.
3. Архитектура рекомендательных систем.

=== Критерии оценки ===
Оценки зависят от итогового результата и вклада каждого участника проекта.

=== Похожие проекты ===

=== Контактная информация ===
esokolov@hse.ru
telegram: @esokolov