Рекомендательные системы: различия между версиями

Материал из Wiki - Факультет компьютерных наук
Перейти к навигации Перейти к поиску
Следующая правка →
Новая страница: «Прив»
 
add recsys page for 3 course '24
Строка 1: Строка 1:
Прив
==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.
 
== 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: [https://github.com/anamarina/RecSys_course Github]
 
Чат курса: [https://t.me/+eFmJENLT9TpmZWRi Telegram]
{| class="wikitable" style="text-align:center; width:30%; border:none; cellpadding=5px;"
|-
| |
| style="background:#eaecf0; border: 2px solid gray;" colspan="3" | '''Контакты'''
|- style="border: 2px solid gray;"
! Преподаватель
| style="border: 2px solid gray;" | [https://t.me/ananyevame Марина Ананьева]
| style="border: 2px solid gray;" | [https://t.me/lashinin Олег Лашинин]
| style="border: 2px solid gray;" | [https://t.me/deethereal Денис Красильников]
|- style="border: 2px solid gray;"
! Ассистент
| style="border: 2px solid gray;" colspan="3" | [https://t.me/mdeil007 Данил Иванов]
|-
|}
 
==Оценки==
[https://docs.google.com/spreadsheets/d/1ODp5Hw5QZmo-Mvw2nZ9nNTdT0zRgk8m4HAuN0-zz1KI/edit?usp=sharing Таблица с оценками]
 
Оценка ставится по формуле:
 
'''Final grade = Округление(0.3 * ДЗ + 0.25 * Т + 0.15 * Р + 0.3 * Э)''', где
 
'''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).
 
'''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.
 
'''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.
 
'''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.
 
==Материалы курса==
 
{| class="wikitable"
|-
! Неделя !! Тема !! Материалы !! Quiz !! Домашнее задание !! Дедлайн
|-
| style="background:#eaecf0;" | '''1''' || Введение в рекомендательные системы  || - || - || - || -
|-
|}
 
==Программное обеспечение==
 
* Python >= 3.10
* Jupyter Notebook
* pip3
 
==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, 2022 – Режим доступа: https://link.springer.com/book/10.1007/978-1-0716-2197-4

Версия от 22:03, 18 января 2024

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.

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

Чат курса: Telegram

Контакты
Преподаватель Марина Ананьева Олег Лашинин Денис Красильников
Ассистент Данил Иванов

Оценки

Таблица с оценками

Оценка ставится по формуле:

Final grade = Округление(0.3 * ДЗ + 0.25 * Т + 0.15 * Р + 0.3 * Э), где

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).

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.

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.

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.

Материалы курса

Неделя Тема Материалы Quiz Домашнее задание Дедлайн
1 Введение в рекомендательные системы - - - -

Программное обеспечение

  • Python >= 3.10
  • Jupyter Notebook
  • pip3

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, 2022 – Режим доступа: https://link.springer.com/book/10.1007/978-1-0716-2197-4

Источник — https://wiki.cs.hse.ru/index.php?title=Рекомендательные_системы&oldid=83023