Магистратура
2026/2027
Машинное обучение и рекомендательные системы
Статус:
Курс обязательный (Управление продуктом в ИТ-бизнесе)
Кто читает:
Департамент бизнес-информатики
Где читается:
Высшая школа бизнеса
Когда читается:
2-й курс, 1, 2 модуль
Охват аудитории:
для своего кампуса
Преподаватели:
Джин Сеунгмин
Язык:
английский
Кредиты:
6
Контактные часы:
48
Course Syllabus
Abstract
Дисциплина знакомит студентов с базовыми методами машинного обучения и современными рекомендательными системами. Курс объединяет content-based filtering, collaborative filtering и матричную факторизацию с нейросетевыми моделями, Two-Tower retrieval, трансформерами, векторным поиском, RAG и re-ranking.
Практические занятия строятся вокруг воспроизводимых экспериментов в Jupyter Notebook. Студенты разрабатывают и модифицируют baseline-модели, сравнивают результаты и обсуждают причины наблюдаемых различий. Курс завершается командным capstone-проектом по разработке и оценке современной рекомендательной системы.
Learning Objectives
- Сформировать у студентов базовое понимание методов машинного обучения и рекомендательных систем, а также навыки разработки, оценки и анализа рекомендательных моделей: от классических методов до нейросетевых, retrieval- и LLM/RAG-подходов.
Expected Learning Outcomes
- объяснять основные этапы ML pipeline и ключевые типы рекомендательных систем;
- подготавливать данные о пользователях, объектах и взаимодействиях для обучения и оценки рекомендательных моделей;
- реализовывать и сравнивать baseline-, content-based-, collaborative filtering- и matrix factorization-модели;
- выбирать корректный протокол валидации и применять Precision@K, Recall@K, NDCG@K и MRR;
- разрабатывать базовые нейросетевые рекомендательные модели, включая Two-Tower retrieval;
- объяснять роль трансформеров, языковых моделей, векторного поиска, RAG и re-ranking;
- проводить воспроизводимые эксперименты, сравнивать предложенный метод с baseline и интерпретировать результаты;
- представлять результаты проекта в форме кода, краткого технического отчёта и устной презентации.
- формулировать точные вопросы к ИИ, выявлять пробелы в собственном понимании и проверять объяснения через самостоятельное изменение и тестирование кода.
Course Contents
- Введение в машинное обучение и рекомендательные системы
- Подготовка данных и ML pipeline
- Базовые методы машинного обучения
- Content-based filtering
- Collaborative filtering и implicit feedback
- Матричная факторизация и эмбеддинги
- Основы нейронных сетей и representation learning
- Two-Tower Models и retrieval-based recommendation.
- Трансформеры, языковые модели и LLM for Recommendation.
- Semantic retrieval и векторный поиск.
- RAG, re-ranking и анализ экспериментов.
- Итоговые презентации capstone-проектов
Assessment Elements
- онлайн-хакатон KaggleПромежуточная аттестация проводится дистанционно в индивидуальном формате как 24-часовой хакатон на платформе Kaggle. В течение отведённого времени студент разрабатывает рекомендательную модель, загружает прогнозы, а также сдаёт исходный код или Jupyter Notebook и краткий технический отчёт. При использовании генеративного ИИ студент кратко указывает, для каких задач он использовал этот инструмент и какие решения проверил самостоятельно.
- Итоговый capstone-проектИтоговый проект выполняется командами из 2–3 студентов. Команды из четырёх и более студентов не допускаются. Команда разрабатывает современную рекомендательную систему с использованием нейросетевых, retrieval-, LLM- или RAG-подходов и сравнивает её с обоснованным baseline на согласованном реалистичном датасете, например VK-LSVD.
- посещаемость
- работа на занятиях и домашние заданияРабота на занятиях и домашние задания включают еженедельные практические ноутбуки, краткую интерпретацию результатов, журнал обучения с ИИ, а также код-ревью и взаимную обратную связь.
Interim Assessment
- 2026/2027 2nd module0.1 * посещаемость + 0.4 * Итоговый capstone-проект + 0.3 * работа на занятиях и домашние задания + 0.2 * онлайн-хакатон Kaggle
Bibliography
Recommended Core Bibliography
- 9780262046824 - Kevin P. Murphy - Probabilistic Machine Learning - 2022 - MIT Press - https://search.ebscohost.com/login.aspx?direct=true&db=nlebk&AN=2932689 - nlebk - 2932689
Recommended Additional Bibliography
- Ian Goodfellow, Yoshua Bengio, & Aaron Courville. (2016). Deep Learning. The MIT Press.