Магистратура
2023/2024
Рекомендательные системы
Лучший по критерию «Полезность курса для расширения кругозора и разностороннего развития»
Статус:
Курс по выбору (Финансовые технологии и анализ данных)
Направление:
01.04.02. Прикладная математика и информатика
Где читается:
Факультет компьютерных наук
Когда читается:
2-й курс, 1 модуль
Формат изучения:
без онлайн-курса
Охват аудитории:
для своего кампуса
Прогр. обучения:
Финансовые технологии и анализ данных
Язык:
русский
Кредиты:
3
Контактные часы:
28
Программа дисциплины
Аннотация
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 правильной формализации задачи, выбору функций и метрик ранжирования, имплементации рекомендательных ML моделей на Python - от простой коллаборативной фильтрации до современных нейронных сетей.
Цель освоения дисциплины
- Формирование знаний, умений и навыков разработки рекомендательных систем в исследовательских или индустриальных целях.
Планируемые результаты обучения
- Знать основные типы рекомендательных систем и алгоритмические подходы к решению задач ранжирования и рекомендаций пользователям
- Владеть навыками использования линейной алгебры, теории вероятностей, математической статистики, теории оптимизации, дискретной математики и теории графов в практических приложения рекомендательных систем и поиска закономерностей данных
- Уметь правильно формализовывать задачу, определять подходящее семейство алгоритмов, выбирать метрики оценки качества рекомендаций
- Разрабатывать ML рекомендательные системы разной сложности на языке программирования Python
- Интерпретировать предсказания на локальном и глобальном уровнях моделей и использовать их для отладки рекомендательной системы
Содержание учебной дисциплины
- Введение в рекомендательные системы
- Матричные факторизации и коллаборативная фильтрация.
- Контентные и гибридные рекомендательные модели
- Нейросетевые модели на последовательностях данных
- Автоэнкодеры и вариационные автоэнкодеры
- Graph и knowledge-graph подходы. Объяснения рекомендаций
- Написание сервиса рекомендательной системы
Промежуточная аттестация
- 2023/2024 учебный год 1 модуль0.3 * Домашнее задание + 0.25 * Квиз + 0.15 * Конспект статьи + 0.3 * Экзамен
Список литературы
Рекомендуемая основная литература
- Manouselis, N., Drachsler, H., Verbert, K., Duval, E. Recommender Systems for Learning. – Springer, 2013. – ЭБС Books 24x7.
- Parul Aggarwal, Vishal Tomar, & Aditya Kathuria. (2017). Comparing Content Based and Collaborative Filtering in Recommender Systems. Retrieved from http://search.ebscohost.com/login.aspx?direct=true&site=eds-live&db=edsbas&AN=edsbas.32D5064E
Рекомендуемая дополнительная литература
- Фальк, К. Рекомендательные системы на практике : руководство / К. Фальк , перевод с английского Д. М. Павлова. — Москва : ДМК Пресс, 2020. — 448 с. — ISBN 978-5-97060-774-9. — Текст : электронный // Лань : электронно-библиотечная система. — URL: https://e.lanbook.com/book/179458 (дата обращения: 00.00.0000). — Режим доступа: для авториз. пользователей.