• A
  • A
  • A
  • АБB
  • АБB
  • АБB
  • А
  • А
  • А
  • А
  • А
Обычная версия сайта
Магистратура 2024/2025

Рекомендательные системы

Статус: Курс по выбору (Машинное обучение и анализ данных)
Направление: 01.04.02. Прикладная математика и информатика
Когда читается: 2-й курс, 1, 2 модуль
Формат изучения: без онлайн-курса
Охват аудитории: для своего кампуса
Прогр. обучения: Машинное обучение и анализ данных
Язык: русский
Кредиты: 6

Программа дисциплины

Аннотация

Является дисциплиной по выбору. В рамках изучения дисциплины студенты познакомятся с принципами работы рекомендательных систем и рассмотрят вопросы, связанные с особенностями проектирования, использования подобных систем. После прохождения курса студенты будут ориентироваться в методах построения и оценивания рекомендательных систем от базовых неперсонализированных подходов, рекомендаций, основанных на характеристиках контента (content-based), коллаборативной фильтрации, до адаптивных и продвинутых, основанных на методах машинного обучения. Для освоения дисциплины студентам необходимы знания теории вероятностей и математической статистики, линейной алгебры, основных концепций машинного обучения
Цель освоения дисциплины

Цель освоения дисциплины

  • Ознакомление студентов с принципами работы рекомендательных систем и рассмотрение вопросов, связанных с особенностями проектирования, использования подобных систем
Планируемые результаты обучения

Планируемые результаты обучения

  • Уметь выбирать подходящие алгоритмы для построения моделей
  • Уметь использовать сводную статистику
  • Уметь объяснять ключевые концепции, лежащие в основе рекомендаций
  • Уметь объяснять разницу между подходами,основанными на пользователях и предметах
  • Уметь создавать профиль личных интересов
  • Уметь создавать рекомендации по ассоциации продукта
  • Уметь сочетать коллаборативную фильтрацию и рекомендации на основе содержимого
  • Уметь строить рекомендации, основанные на коллаборативной фильтрации
Содержание учебной дисциплины

Содержание учебной дисциплины

  • Введение в рекомендательные системы.
  • Неперсонализированные модели. Модели на основе контентой информации.
  • Коллаборативная фильтрация
  • Продвинутые методы построения моделей факторизации
  • Учет контекстной информации в моделях
Элементы контроля

Элементы контроля

  • блокирующий Проект
    Отчетность по проекту состоит из двух частей: сам письменный отчет и защита. Защита представляет собой презентацию с описанием проделанной работы, построенной системы и использовавшимся подходам.
  • блокирующий Экзамен
    Экзамен проводится в виде теста по вопросам курса.
Промежуточная аттестация

Промежуточная аттестация

  • 2024/2025 2nd module
    0.6 * Проект + 0.4 * Экзамен
Список литературы

Список литературы

Рекомендуемая основная литература

  • Rajaraman, A., & Ullman, J. D. (2012). Mining of Massive Datasets. New York, N.Y.: Cambridge University Press. Retrieved from http://search.ebscohost.com/login.aspx?direct=true&site=eds-live&db=edsebk&AN=408850
  • René Michel, Igor Schnakenburg, & Tobias von Martens. (2019). Targeting Uplift : An Introduction to Net Scores (Vol. 1st ed. 2019). Cham: Springer. Retrieved from http://search.ebscohost.com/login.aspx?direct=true&site=eds-live&db=edsebk&AN=2247428

Рекомендуемая дополнительная литература

  • Manouselis, N., Drachsler, H., Verbert, K., Duval, E. Recommender Systems for Learning. – Springer, 2013. – ЭБС Books 24x7.

Авторы

  • Юдаева Оксана Юрьевна
  • Кузнецов Антон Михайлович