Рекомендательные системы и поиск закономерностей в данных: различия между версиями
Machine (обсуждение | вклад) Новая страница: « Формула оценки Homework 1 Project [https://www.dropbox.com/s/6c4eea0atqx6gqu/Eng-IndGroupTask.pdf?dl=0|https://www.dropbox.com/s/6c4eea0atqx6gq…» |
Machine (обсуждение | вклад) правка |
||
| Строка 2: | Строка 2: | ||
Формула оценки | Формула оценки | ||
Homework 1 | формула: 0.4 h/w + 0.4 project + 0.2 defense | ||
===Homework 1 === | |||
[[https://www.dropbox.com/s/xnb36njc1vjgs26/HW_assignment_1_modified.ipynb?dl=0 Homework 1]] | |||
===Homework 2=== | |||
# [https://www.dropbox.com/s/5l8331rxd1zd3hg/HW_FIM_ML_RecSys2018.pdf?dl=0 Частые множества и ассоциативные правила] | |||
# [ Спектральная кластеризация] | |||
# [https://www.dropbox.com/s/qdq1bbvwfrmxssb/ALS_SGD_biases-HW2.ipynb?dl=0 Матричная факторизация] | |||
# [ Анализ последовательностей] | |||
===Проект=== | |||
[https://www.dropbox.com/s/6c4eea0atqx6gqu/Eng-IndGroupTask.pdf?dl=0 Требования к оформлению] | |||
В этом файле содержатся требования к отчету, они на английском, но писать текст можно и на русском. Даны источники данных, указаны типы задач для решения, приведен релевантный софт. Указаны сроки выбора задачи и сдачи отчета. Предполагается экзамен в виде защиты проекта. | |||
==Занятие от 21.11.2018== | |||
19:30 Доклад Евгений Фрлова по мотивам диссртационного исследования (https://www.skoltech.ru/obrazovanie/zashhity-phd/2018-2/evgenij-frolov/) | |||
Аннотация доклада. В силу ряда вычислительных преимуществ, одним из наиболее популярных методов, часто использующихся на практике, является PureSVD. Метод основан на сингулярном разложении и в определенных сценариях позволяет добиться наиболее релевантных рекомендаций. Однако, качество моделей на основе данного метода заметно снижается при сильном уменьшении количества известной информации о пользовательских предпочтениях. Главной целью данной работы является устранение этого недостатка, позволяющее сохранить основные преимущества PureSVD. Для этого предложены несколько новых подходов на основе матричных и тензорных методов аппроксимации. Подходы строятся на принципах многомерного представления пользовательского отклика, а также с использованием специальной схемы «гибридизации», позволяющей учесть дополнительную признаковую информацию о пользователях и предметах. | |||
Версия от 14:48, 22 ноября 2018
Формула оценки
формула: 0.4 h/w + 0.4 project + 0.2 defense
Homework 1
Homework 2
- Частые множества и ассоциативные правила
- [ Спектральная кластеризация]
- Матричная факторизация
- [ Анализ последовательностей]
Проект
В этом файле содержатся требования к отчету, они на английском, но писать текст можно и на русском. Даны источники данных, указаны типы задач для решения, приведен релевантный софт. Указаны сроки выбора задачи и сдачи отчета. Предполагается экзамен в виде защиты проекта.
Занятие от 21.11.2018
19:30 Доклад Евгений Фрлова по мотивам диссртационного исследования (https://www.skoltech.ru/obrazovanie/zashhity-phd/2018-2/evgenij-frolov/)
Аннотация доклада. В силу ряда вычислительных преимуществ, одним из наиболее популярных методов, часто использующихся на практике, является PureSVD. Метод основан на сингулярном разложении и в определенных сценариях позволяет добиться наиболее релевантных рекомендаций. Однако, качество моделей на основе данного метода заметно снижается при сильном уменьшении количества известной информации о пользовательских предпочтениях. Главной целью данной работы является устранение этого недостатка, позволяющее сохранить основные преимущества PureSVD. Для этого предложены несколько новых подходов на основе матричных и тензорных методов аппроксимации. Подходы строятся на принципах многомерного представления пользовательского отклика, а также с использованием специальной схемы «гибридизации», позволяющей учесть дополнительную признаковую информацию о пользователях и предметах.