Рекомендательные системы

О курсе

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.

ПУД

Цели и результаты курса

Главная цель - сформировать знания, умения и навыки по разработке рекомендательных систем в исследовательских и индустриальных задачах.

Планируемые результаты:

• Знать основные подходы рекомендательных систем и алгоритмов к решению задачи ранжирования и рекомендаций пользователям.
• Уметь правильно определять и формализовывать задачу для построения рекомендательной системы.
• Определять и имплементировать функции ранжирования и метрики качества оценки алгоритмов.
• Разрабатывать модели машинного обучения для рекомендательных систем разной сложности на языке программирования Python.
• Объяснять и интерпретировать предсказания на локальном и глобальном уровне моделей, использовать их для отладки ошибок и аномалий.
• Разрабатывать базовые API сервисы для рекомендательных моделей с помощью docker.

Контакты

Репозиторий курса: Github

	Контакты
Преподаватели	Марина Ананьева	Олег Лашинин	Денис Красильников	Михаил Печатов
Ассистенты	Вячеслав Юсупов	Мария Кокоева	Яна Журович	Констатин Чайников	Дарья Прудникова

Оценки

Таблица с оценками

Определим накопленную оценку как Накоп = (0.3 * ДЗ + 0.3 * Т) / 0.6

Оценка ставится по формуле: Final grade = Округление(0.6 * Накоп + 0.4 * Э), где

ДЗ - среднее за 5 домашних заданий. Одно на тему имплементации метрик оценки качества ранжирования, другое - участие в открытом соревновании по рекомендательным системам на онлайн платформе Kaggle.

Т - средняя арифметическая оценка за 19 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.

Э - устный, дистанционный экзамен на онлайн платформе Talk. Разрешается пользоваться материалами. Экзамен неблокирующий. Продолжительность - 15 минут на студента. Максимальная оценка 10 баллов на основе общего впечатления преподавателя от ответов студента.

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.

Материалы курса

Еженедельные квизы и записи трансляций доступны по ссылке

Неделя	Тема	Материалы	Домашнее задание	Дедлайн
1	Введение в рекомендательные системы	Лекция и семинар	-	-
2	Базовые подходы	Лекция Семинар	-	-
3	Матричные факторизации	Лекция и семинар	-	-
4	Коллаборативная фильтрация	Лекция Семинар	-	-
5	Контентные и контекстные подходы	Лекция Семинар	-	-
6	Гибридные подходы	to be added	-	-
7	Sequential-based подходы	Лекция Семинар	ДЗ1	24.03.24 23:59 MSK
8	Next basket recommendations	to be added	-	-
9	LLM for RecSys	to be added	-	-
10	Autoencoders & VAE	to be added	-	-
11	Multi-task & Cross-domain	to be added	-	-
12	Graph and KG-based подходы	to be added	-	-
13	Интерпретируемость & объяснения рекомендацй	to be added	-	-
14	RL в RecSys	to be added	-	-
15	A/B тестирование и мониторинг	to be added	-	-
16	Vanilla RecSys Service	to be added	-	-

Программное обеспечение

• Python >= 3.10
• Jupyter Notebook
• pip3

Список литературы

1. Recommender Systems Handbook. Francesco Ricci et al, Springer, 2022

2. Hands-On Recommendation Systems with Python. Rounak Banik, 2018

3. Building Recommendations Systems in Python and JAX. Brian Bischof et al, 2018

4. Practical Recommender Systems. Kim Falk, 2019

5. Session-Based Recommender Systems Using Deep Learning. Reza Ravanmehr et al. Springer, 2024

6. Designing Machine Learning Systems. Chip Huyen, 2022

7. Designing Data-Intensive Applications. Martin Kleppmann, 2017