https://wikicshse.ru/index.php?action=history&feed=atom&title=RecSys_2023RecSys 2023 - История изменений2026-06-06T11:03:54ZИстория изменений этой страницы в викиMediaWiki 1.45.3https://wikicshse.ru/index.php?title=RecSys_2023&diff=633&oldid=previmported>Marina Ananyeva: Migrated current public revision from wiki.cs.hse.ru2023-09-15T21:06:54Z<p>Migrated current public revision from wiki.cs.hse.ru</p>
<p><b>Новая страница</b></p><div>==О курсе==<br />
<br />
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.<br />
<br />
Курс в 2023/2024 академическому году читается на 2 курсе магистратуры ФТИАД ФКН, однако студенты других курсов и факультетов могут быть вольными слушателями по согласованию с преподавателем и учебным офисом. Курс рассчитан на 7 сдвоенных занятий (14 пар). <br />
<br />
== Цели и результаты курса ==<br />
<br />
Главная цель - сформировать знания, умения и навыки по разработке рекомендательных систем в исследовательских и индустриальных задачах. <br />
<br />
Планируемые результаты:<br />
* Знать основные типы рекомендательных систем и алгоритмические подходы к решению задач ранжирования и рекомендаций пользователям;<br />
* Уметь правильно формализовывать задачу, определять подходящее семейство алгоритмов, выбирать метрики оценки качества рекомендаций;<br />
* Разрабатывать ML рекомендательные системы разной сложности на языке программирования Python;<br />
* 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<br />
* Интерпретировать предсказания на локальном и глобальном уровнях моделей и использовать их для отладки рекомендательной системы<br />
<br />
==Контакты==<br />
<br />
Репозиторий курса: [https://github.com/anamarina/RecSys_course Github]<br />
<br />
Чат курса: [https://t.me/+9MN5JL4xj5xjYTBi Telegram]<br />
<br />
{| class="wikitable"<br />
|-<br />
! Преподаватель !! Контакты <br />
|-<br />
| style="background:#eaecf0;" |Ананьева Марина Евгеньевна || [mailto:ananyeva.me@gmail.com Email] [https://t.me/ananyevame Telegram]<br />
|}<br />
<br />
==Оценки==<br />
[https://docs.google.com/spreadsheets/d/1YcIt-9AGwGhYj4vO6wnLUS5rZDrC83Wa/edit?usp=sharing&ouid=104963596150558587903&rtpof=true&sd=true Таблица с оценками]<br />
<br />
Оценка ставится по формуле:<br />
<br />
'''Final grade = min(10, 0.3 * Home Assignment + 0.15 * Article Summary + 0.25 * Weekly Quizzes + 0.3 * Exam)''', где<br />
<br />
'''Home Assignment''' - 1 домашняя работа в Jupyter Notebook (max 10 баллов). <br />
<br />
'''Article Summary''' - конспект/презентация статьи из предложенного списка с критическим анализом (без выступления на семинаре) (max 10 баллов). <br />
<br />
'''Weekly Quizzes''' - 6 квизов по мотивам материалов семинаров, которые сдаются перед началом следующего занятия в Google Forms (ариф.среднее за все квизы, max 10 баллов за каждый). <br />
<br />
'''Exam''' - письменный экзамен в формате решения case-study построения рекомендательной системы для бизнеса (max 10 баллов).<br />
<br />
==Материалы курса==<br />
<br />
{| class="wikitable"<br />
|-<br />
! Неделя !! Тема !! Материалы !! Quiz !! Домашнее задание !! Дедлайн <br />
|-<br />
| style="background:#eaecf0;" | '''1''' || Введение в рекомендательные системы || [https://github.com/anamarina/RecSys_course/tree/2023/week1 Лекция] || || || <br />
|-<br />
| style="background:#eaecf0;" | '''2''' || Item/user-based, MF, CF || || || || <br />
|-<br />
| style="background:#eaecf0;" | '''3''' || Content based, Hybrid methods || || || <br />
|-<br />
| style="background:#eaecf0;" | '''4''' || Sequential, Context-aware methods|| || || || <br />
|-<br />
| style="background:#eaecf0;" | '''5''' || AE, VAE for RecSys || || || || <br />
|-<br />
| style="background:#eaecf0;" | '''6''' || Graph-based approaches || || || || <br />
|-<br />
| style="background:#eaecf0;" | '''7''' || Your First RecSys Service || || || ||<br />
|-<br />
|}<br />
<br />
==Программное обеспечение==<br />
<br />
* Python >= 3.9<br />
* Jupyter Notebook<br />
* pip3<br />
<br />
==Список литературы==<br />
1. Charu C. Aggarwal. Recommender Systems: The Textbook, Springer, April 2016 – Режим доступа: https://www.springer.com/gp/book/9783319296579<br />
<br />
2. Recommender Systems Handbook. Francesco Ricci, Lior Rokach, Bracha Shapira (Eds.), Springer, 2022 – Режим доступа: https://link.springer.com/book/10.1007/978-1-0716-2197-4</div>imported>Marina Ananyeva