Алексей Чернобровов
Рекомендательные системы
»
О курсе
Без рекомендательных систем сегодня не обходится ни один сервис: социальные сети рекомендуют вам новых друзей, музыкальные сервисы находят интересные песни, интернет-магазины делают персональные рассылки и так далее.
Курс по рекомендательным системам предназначен для студентов, которые хотят попробовать использовать свои навыки в машинном обучении на прикладных задачах в области рекомендательных систем.
Основная задача курса – дать слушателям представление о том, как строятся рекомендательные системы в реальных проектах. В рамках курса будут рассмотрены теоретические аспекты построения рекомендательным систем.
Курс будет следовать истории развития этого вопрос от алгоритмов колобаративной фильтрации и матричных разложений до применение нейронных сетей. В заключении курса будут затронуты проблемы внедрения рекомендательных систем от высоконагруженных приложений до бизнес проблем связанной с оценкой качества.
Курс по рекомендательным системам предназначен для студентов, которые хотят попробовать использовать свои навыки в машинном обучении на прикладных задачах в области рекомендательных систем.
Основная задача курса – дать слушателям представление о том, как строятся рекомендательные системы в реальных проектах. В рамках курса будут рассмотрены теоретические аспекты построения рекомендательным систем.
Курс будет следовать истории развития этого вопрос от алгоритмов колобаративной фильтрации и матричных разложений до применение нейронных сетей. В заключении курса будут затронуты проблемы внедрения рекомендательных систем от высоконагруженных приложений до бизнес проблем связанной с оценкой качества.
»
Команда курса
Чернобровов Алексей
Лектор
»
Программа
1. Введение в рекомендательные системы
- Введение
- Что такое рекомендательные системы?
- Виды рекомендаций
- Области применения рекомендательных систем
- Готовые реализации рекомендательных систем
- Кейсы
- Заключение
2. Коллаборативная фильтрация (Collaborative filtering)
- Что такое колаборативная фильтрация?
- User-based подход
- Item-based подход
- Метод ближайших соседей
- Проблема холодного старта
- Проблема длинного хвоста
- Заключение
- Семинар: knn-based рекомендации
3. Матричные разложения
- Сведения из линейной алгебры
- Матричная факторизация
- SVD-разложения
- SVD++
- NMF
- Семинар: Матричные разложения
4. Задачи ранжирования
- Что такое ранжирование
- Метрики ранжирования
- Семинар: метрики ранжирования
5. Оценка качества рекомендательных систем
- Матричные оценки
- Оценки ранжирования
- Специальные оценки качества
- Многокритериальные рекомендации
- Онлайн и оффлайн оценки качества
- Бизнес-метрики
- Семинар: Сравнение метрик ранжирования и прокси-метрик
6. Content-based рекомендации
- Использование информации об объектах
- Использование текстовых признаков
- Использование картинок
- Взвешение признаков
- Семинар: Сравнение метрик ранжирования и прокси-метрик
7. Гибридные архитектуры
- Общее понятние гибридной архитектуры
- Content-based + Collaborative filtering
- Разные типы гибридных архитектур
- Семинар: Сравнение метрик ранжирования и прокси-метрик
8. Нейронные сети в рекомендациях
- Понятие эмбединг
- Neural Collaborative Filtering
- General Matrix Factorization
- Базовая архитектура нейронной сети
- Семинар: построение нейронной сети для рекомендательной системы
9. Are We Really Making Much Progress?
- Разбор статьи Are We Really Making Much Progress?
- Способы сравнения различных архитекур нейронных сетей
- Тюнинг алгоритмов
- Семинар: Тюнинг нейронных сетей для рекомендательной системы
10. Active Learning в рекомендательных системах
- Что такое Active Learning
- Когда нужно использовать Active Learning
- Применение Active Learning в рекомендательных системах
- Семинар: разбор домашних работ
11. Высоконагруженные рекомендательные системы
- Проблема риал-тайм рекомендаций
- Обработка клик-стрима
- Прокси-метрики
- Практики построения высоконагруженных рекомендательных систем
- Семинар: построения высоконагруженных рекомендательных систем
12. Внедрение рекомендательных системы (2 лекции)
- Практические аспекты внедрения рекомендательных систем
- АБ-тесты
- Многорукие бандиты
- Совмещение "тяжелых" алгоритмов с онлайн алгоритмами
- Эвристики
Персональные данные опубликованы в соответствии со ст.10.1 Федерального закона РФ № 152-ФЗ от 27 июля 2006г. «О персональных данных» с согласия субъекта. Какая-либо иная обработка, в том числе, дальнейшее распространение персональных данных третьими лицами запрещена.