Recsys 2020 2021: различия между версиями

Версия от 22:47, 15 ноября 2020

О курсе

Целями освоения дисциплины «Рекомендательные системы и поиск закономерностей в данных» являются овладение студентами основными методами рекомендательных систем и подходами к поиску закономерностей в данных, например, таких как базы транзакций и последовательностей. В ходе курса будут рассмотрены:
- Основные типы рекомендательных систем и алгоритмические подходы к решению задачи рекомендаций;
- Методы майнинга данных и поиска закономерностей в различных типах данных, включая транзакции и последовательности событий и транзакций;
- Методы проверки качества рекомендаций и достоверности выявленных закономерностей.

Программа курса: ПУД

Репозиторий курса: github

Контакты

Преподаватель	Контакты
Ананьева Марина Евгеньевна	Email Telegram
Игнатов Дмитрий Игоревич	Email

Программное обеспечение

Python >= 3.6
Jupyter Notebook
pip3

Материалы курса

Неделя	Тема	Слайды
1	Введение в рекомендательные системы	Слайды
2	Метод скользящего контроля для оценки качества рекомендаций	Case study 1
3	Частые множества и ассоциативные правила	Слайды
4	Методы на основе матричных разложений
5	Функции потерь для ранжирования. Метрики качества
6
7

Оценки

Список литературы

1. Charu C. Aggarwal. Recommender Systems: The Textbook, Springer, April 2016 – Режим доступа: https://www.springer.com/gp/book/9783319296579

2. Recommender Systems Handbook. Francesco Ricci, Lior Rokach, Bracha Shapira (Eds.), Springer, 2015 – Режим доступа: https://www.springer.com/la/book/9781489976369

@@ Строка 31: / Строка 31: @@
 {| class="wikitable"
 |-
-  ! Семинар !! Тема !! Слайды!! Дополнительные материалы !! Домашнее задание !! Дедлайн
+  ! Неделя !! Тема !! Слайды!! Дополнительные материалы !! Домашнее задание !! Дедлайн
 |-
 | style="background:#eaecf0;" | '''1''' || Введение в рекомендательные системы || [https://www.dropbox.com/s/osig5de9o2nm7ok/RecSysIntro2020.pdf?dl=0 Слайды] ||  || ||
@@ Строка 43: / Строка 43: @@
 | style="background:#eaecf0;" | '''5''' || Функции потерь для ранжирования. Метрики качества ||  ||  || ||
 |-
-| style="background:#eaecf0;" | '''6''' || Поиск частых последовательностей ||  ||  || ||
+| style="background:#eaecf0;" | '''6''' || ||  ||  || ||
 |-
-| style="background:#eaecf0;" | '''7''' || Гибридные рекомендательные системы ||  ||  || ||
+| style="background:#eaecf0;" | '''7''' ||  ||  ||  || ||
-|-
-| style="background:#eaecf0;" | '''8''' || Ансамбли рекомендательных алгоритмов ||  ||  || ||
-|-
-| style="background:#eaecf0;" | '''9''' || Контентные рекомендательные системы. Объяснение рекомендаций ||  ||  || ||
-|-
-| style="background:#eaecf0;" | '''10''' || Спектральная кластеризация ||  ||  || ||
-|-
-| style="background:#eaecf0;" | '''11''' || Обзор DL методов для рекомендаций ||  ||  || ||
-|-
-| style="background:#eaecf0;" | '''12''' || Контекстные нейросетевые рекомендательные системы ||  ||  || ||
-|-
-| style="background:#eaecf0;" | '''13''' || Модели на основе графа знаний ||  ||  || ||
-|-
-| style="background:#eaecf0;" | '''14''' || Обучение с подкреплением в рекомендательных системах ||  ||  || ||
 |-
 |}