https://wikicshse.ru/index.php?action=history&feed=atom&title=%D0%9F%D1%80%D0%B5%D0%B4%D1%81%D1%82%D0%B0%D0%B2%D0%BB%D0%B5%D0%BD%D0%B8%D1%8F_%D1%82%D0%B5%D0%BA%D1%81%D1%82%D0%BE%D0%B2_%D0%B2_%D1%80%D0%B5%D0%BA%D0%BE%D0%BC%D0%B5%D0%BD%D0%B4%D0%B0%D1%82%D0%B5%D0%BB%D1%8C%D0%BD%D1%8B%D1%85_%D1%81%D0%B8%D1%81%D1%82%D0%B5%D0%BC%D0%B0%D1%85_%28%D0%BA%D0%BE%D0%BC%D0%B0%D0%BD%D0%B4%D0%BD%D1%8B%D0%B9_%D0%BF%D1%80%D0%BE%D0%B5%D0%BA%D1%82%29 2026-06-06T17:32:09Z История изменений этой страницы в вики MediaWiki 1.45.3 https://wikicshse.ru/index.php?title=%D0%9F%D1%80%D0%B5%D0%B4%D1%81%D1%82%D0%B0%D0%B2%D0%BB%D0%B5%D0%BD%D0%B8%D1%8F_%D1%82%D0%B5%D0%BA%D1%81%D1%82%D0%BE%D0%B2_%D0%B2_%D1%80%D0%B5%D0%BA%D0%BE%D0%BC%D0%B5%D0%BD%D0%B4%D0%B0%D1%82%D0%B5%D0%BB%D1%8C%D0%BD%D1%8B%D1%85_%D1%81%D0%B8%D1%81%D1%82%D0%B5%D0%BC%D0%B0%D1%85_(%D0%BA%D0%BE%D0%BC%D0%B0%D0%BD%D0%B4%D0%BD%D1%8B%D0%B9_%D0%BF%D1%80%D0%BE%D0%B5%D0%BA%D1%82)&diff=1970&oldid=prev 2017-10-31T16:03:12Z

<p><span class="autocomment">Темы вводных занятий</span></p> <p><b>Новая страница</b></p><div>{{Карточка_командного_проекта<br /> |name=Представления текстов в рекомендательных системах<br /> |company=Яндекс.Дзен<br /> |semester=Осень 2017<br /> |course=3<br /> |number_of_students=2-4<br /> |categorize=yes<br /> }}<br /> <br /> === Что это за проект? ===<br /> В рекомендациях статей очень важно уметь понимать, насколько данный текст похож на те, которые пользователь читал раньше. Для этого мы используем представления текстов — на основе word2vec, тематических моделей и т.д.<br /> <br /> В проекте мы предлагаем решить две серьёзные проблемы текущего подхода:<br /> <br /> 1. Сейчас представления — это вещественные векторы. Хранить такие векторы, искать ближайшие к ним, вычислять скалярные произведения — достаточно трудоёмкие операции. Нужно изучить и сравнить способы бинаризации или сжатия векторов, которые позволяют ускорить вычисления без больших потерь в качестве.<br /> <br /> 2. В текущей версии представления обучаются достаточно примитивными способами. Их можно улучшить, если воспользоваться глубинными нейронными сетями — тогда можно взять все данные по статье (текст, изображения) и по пользователю (история посещений) и обучить на этом совместные представления для документов и для пользователей.<br /> <br /> === Чему научатся студенты? Что самое интересное в проекте? ===<br /> 1. Работа с данными сервиса, которым ежедневно пользуются более 7 миллионов человек.<br /> <br /> 2. Обучение сложных нейросетевых моделей на больших объёмах данных.<br /> <br /> 3. Ускорение моделей — тема, которая слабо покрывается в классических курсах по машинному обучению, но которая очень важна в индустрии при разработке высоконагруженных сервисов.<br /> <br /> === Организация работы (Как студенты будут работать в команде?) ===<br /> 1. Регулярные встречи с менторами (раз в 1-2 недели).<br /> <br /> 2. Ревью кода.<br /> <br /> 3. Каждый студент поработает как над аналитической частью (анализ данных, построение моделей), так и над инженерными задачами (внедрение моделей, проверка качества). При этом возможно и разделение — кто-то больше занимается работой с моделями, кто-то концентрируется на инфраструктурных вопросах.<br /> <br /> === Компоненеты (Из каких частей состоит проект?) ===<br /> <br /> <br /> === Какие будут использоваться технологии? ===<br /> 1. Python для обучения и сравнения моделей.<br /> <br /> 2. Java для внедрения моделей.<br /> <br /> 3. Внутренние технологии Яндекса для распределённых вычислений.<br /> <br /> 4. Git для совместной работы над кодом.<br /> <br /> === Какие начальные требования? ===<br /> 1. Понимание основ машинного обучения, приветствуется опыт работы с нейронными сетями в TensorFlow/Keras.<br /> <br /> 2. Знание Python.<br /> <br /> 3. Знание C++ или Java.<br /> <br /> === Темы вводных занятий ===<br /> 1. Машинное обучение в рекомендательных системах.<br /> <br /> 2. Работа с логами и пользовательскими данными.<br /> <br /> 3. Архитектура рекомендательных систем.<br /> <br /> === Критерии оценки ===<br /> Оценки зависят от итогового результата и вклада каждого участника проекта.<br /> <br /> === Похожие проекты ===<br /> <br /> <br /> === Контактная информация ===<br /> esokolov@hse.ru<br /> <br /> telegram: @esokolov</div>

imported>Esokolov