Магистратура
2024/2025
Рекомендательные системы
Статус:
Курс по выбору (Машинное обучение и анализ данных)
Направление:
01.04.02. Прикладная математика и информатика
Кто читает:
Департамент информатики
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
- Ознакомление студентов с принципами работы рекомендательных систем и рассмотрение вопросов, связанных с особенностями проектирования, использования подобных систем
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
- 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
- ПроектОтчетность по проекту состоит из двух частей: сам письменный отчет и защита. Защита представляет собой презентацию с описанием проделанной работы, построенной системы и использовавшимся подходам.
- ЭкзаменЭкзамен проводится в виде теста по вопросам курса.
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.