Углубленные рекомендательные системы

Магистратура 2026/2027

Статус: Курс по выбору (Прикладные модели искусственного интеллекта)

Кто читает: Департамент прикладной математики

Где читается: Московский институт электроники и математики им. А.Н. Тихонова

Когда читается: 1-й курс, 3, 4 модуль

Охват аудитории: для всех кампусов НИУ ВШЭ

Язык: русский

Кредиты: 6

Контактные часы: 68

Дополнительные материалы в LMS Задать вопрос

Аннотация

Дисциплина направлена на формирование у слушателей комплексного понимания современных методов построения и оптимизации рекомендательных систем, выходящее за рамки базовых алгоритмов. Курс фокусируется на архитектурных принципах, продвинутых алгоритмах машинного обучения и инженерных аспектах создания промышленных рекомендательных систем.

Цель освоения дисциплины

Формирование у слушателей комплексного понимания современных методов построения и оптимизации рекомендательных систем, выходящее за рамки базовых алгоритмов.
Формирование у слушателей знаний архитектурных принципов, продвинутых алгоритмах машинного обучения и инженерных аспектах создания промышленных рекомендательных систем.

Планируемые результаты обучения

Уметь формулировать постановку задачи для построения рекомендательных моделей.
Знает основные метрики рекомендательных моделей и систем
Применяет методы коллаборативная фильтрации для построения рекомендательных моделей
Применяет контентные и гибридные модели, sequential-based подходы для построения рекомендательных моделей.
Применяет нейронные сети для построения рекомендательных моделей и систем.

Содержание учебной дисциплины

Введение в рекомендательные системы. Метрики рекомендательных моделей и систем.
Коллаборативная фильтрация: Memory-based и Model-based подходы.
Контентные модели. Гибридные модели. Sequential-based подходы.
Нейронные сети в рекомендательных системах.

Элементы контроля

Домашнее задание
Важно! Количество выполненных ДЗ влияет на аттестацию (см. раздел Промежуточной аттестации)
Квизы
Квиз 1 — Тестирование с автопроверкой по теме «Основные подходы рекомендательных систем». Квиз 2 — Тестирование с автопроверкой по теме «Рекомендательные системы в production». Квиз 3 — Тестирование с автопроверкой по теме «Нейронные сети для генерации кандидатов». Квиз 4 — Тестирование с автопроверкой по теме «Нейронные сети для ранжирования». Квиз 5 — Тестирование с автопроверкой по теме «Большие рекомендательные модели». Квиз 6 — Тестирование с автопроверкой по теме «Графовые нейронные сети в рекомендациях». Квиз 7 — Тестирование с автопроверкой по теме «Разнообразие в рекомендациях». Квиз 8 — Тестирование с автопроверкой по теме «Нерешённые проблемы рекомендательных систем». Квиз 9 — Тестирование с автопроверкой по теме «Uplift моделирование». Квиз 10 — Тестирование с автопроверкой по теме «Reinforcement learning для рекомендаций».
Экзамен
Итоговое испытание проводится после последнего занятия в форме автоматизированного контрольного занятия (онлайн-тест). Экзамен охватывает все темы курса и включает как теоретические вопросы, так и практико-ориентированные задачи. Экзамен проводится в сессионный период. Для студентов, получивших неудовлетворительную оценку, предусматривается возможность пересдач. Все пересдачи проводятся в соответствии с Регламентом вуза в период пересдач, ее проводит преподаватель, выставивший оценку по промежуточной аттестации. Время для проведения пересдачи определяется Учебным офисом в рамках расписания дополнительной сессии. Первая пересдача проходит в формате стандартного экзамена (онлайн-тест по согласованию); в этом случае пересдается только оценка, полученная на экзамене. Ранее накопленная оценка не изменяется. Вторая пересдача предполагает устный ответ на поставленные вопросы перед комиссией в составе не менее трех человек. Дата второй пересдачи, а также состав комиссии и ее председатель определяются письменным распоряжением руководителя департамента, ответственного за реализацию дисциплины, либо академическим руководителем программы. Оценка за вторую пересдачу определяется союзным решением членов комиссии. Итоговое тестирование проводится в формате комплексного онлайн‑теста по всем темам курса; максимум — 30 баллов. 27–30 баллов (отлично, 9–10 по шкале) — демонстрируется глубокое и систематическое понимание всех основных тем, верно решено большинство/почти все задания, включая повышенной сложности. 21–26 баллов (хорошо, 7–8 по шкале) — материал усвоен в целом, допущены отдельные ошибки в деталях или продвинутых вопросах, но ключевые концепции и методы применены верно. 15–20 баллов (удовлетворительно, 5–6 по шкале) — базовое понимание основных понятий и методов; заметные пробелы в продвинутых темах, часть заданий выполнена поверхностно. 1–14 баллов (неудовлетворительно, 1–4 по шкале) — знание фрагментарно; правильно выполнена лишь малая часть заданий, допущены существенные методологические ошибки. 0 баллов — тест не пройден (отсутствие попытки или минимальное число правильных ответов)

Промежуточная аттестация

2026/2027 4th module
Формула оценивания: SUM_Домашнее задание 1 (макс. 20 баллов) + SUM_Домашнее задание 2 (макс. 30 баллов) + SUM_10_Квизы (макс. 40 баллов) + SUM_Экзамен (макс. 10 баллов) Важно! Есть обязательные условия для получения аттестации (см. таблицу перевода баллов из 100 баллов в 10-балльную систему): 10 –от 95 до 100 и "Выполнить 2 ДЗ, более 50% выполненных промежуточных тестов на лекции"; 9 –от 85 до 94 и "Выполнить 2 ДЗ, более 50% выполненных промежуточных тестов на лекции"; 8 –от 80 до 84 и "Выполнить 2 ДЗ, более 50% выполненных промежуточных тестов на лекции"; 7 – от 65 до 79 и "Выполнить 2 ДЗ, до 50% выполненных промежуточных тестов на лекции"; 6 –от 60 до 64 и "Выполнить 2 ДЗ, до 50% выполненных промежуточных тестов на лекции"; 5 –от 45 до 59 и "Выполнить 2 ДЗ"; 4 –от 40 до 44 и "Выполнить 2 ДЗ"; 3 –от 25 до 39; 2–от 15 до 24; 1 –от 5 до 14; 0 –от 0 до 4. Дополнительно (не более 1): за качественное заполнение анкеты ОС 5 баллов.

Список литературы

Авторы

Юнышева Анастасия Владимировна
Сластников Сергей Александрович

Программа дисциплины