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

Кто читает: Базовая кафедра ПАО Сбербанк «Финансовые технологии и анализ данных»

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

Элементы контроля

• Домашнее задание
• Конспект статьи
• Квиз
• Экзамен

Промежуточная аттестация

• 2023/2024 учебный год 1 модуль
  0.3 * 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.