Рекомендательные системы
Что даст вам этот курс
2
0
Программа ориентирована на практическое внедрение рекомендательных систем и персонализации работы с клиентами для бизнесов. Студенты получат необходимые навыки для внедрения рекомендательных систем под задачи малого и среднего бизнеса, а также научатся принципам проектирования рекомендательных систем для крупных компаний.
Для кого этот курс?
- DS/ML/DL специалисты, которые хотят углубить знания в области рекомендательных систем и получить практический опыт;
- выпускники курсов по машинному обучению;
- ИТ специалисты малого и среднего бизнеса, желающие внедрить в поддерживаемые ими системы механики рекомендательных систем и персонализации коммуникаций;
- разработчики с базовыми навыками Python для приобретения опыта работы с рекомендательными системами в бизнесе.
Что вы будете уметь после завершения курса?
После обучения вы сможете самостоятельно решать задачи создания и внедрения рекомендательных систем для интернет-магазинов, ритейла, контентных сервисов.
Необходимые знания
- базовое знакомство с Python
- базовые знания линейной алгебры (матрицы, векторы, градиентный спуск)
- базовые навыки работы с ML (pandas, sklearn, линейная регрессия, логистическая регрессия)
- интерес к прикладным бизнес задачам
Для кого этот курс?
- DS/ML/DL специалисты, которые хотят углубить знания в области рекомендательных систем и получить практический опыт;
- выпускники курсов по машинному обучению;
- ИТ специалисты малого и среднего бизнеса, желающие внедрить в поддерживаемые ими системы механики рекомендательных систем и персонализации коммуникаций;
- разработчики с базовыми навыками Python для приобретения опыта работы с рекомендательными системами в бизнесе.
Что вы будете уметь после завершения курса?
После обучения вы сможете самостоятельно решать задачи создания и внедрения рекомендательных систем для интернет-магазинов, ритейла, контентных сервисов.
Необходимые знания
- базовое знакомство с Python
- базовые знания линейной алгебры (матрицы, векторы, градиентный спуск)
- базовые навыки работы с ML (pandas, sklearn, линейная регрессия, логистическая регрессия)
- интерес к прикладным бизнес задачам
Преподаватель
Александр Брут-Бруляко
Занимается исследованиями с фокусом на персонализацию коммуникаций в СБЕР Neurolab, спектр задач широк - и классические задачи ML, и NLP, и CV, и написание парсеров, и написание поддерживающей ИТ инфраструктуры.
Работает с построением DS систем, анализом данных и выстраиванием ИТ сервисов вокруг этого.
Писал внутренний аналитический софт на крупном ювелирном заводе, работал DS инженером в региональной ритейл сети. Делал ML модели персонализации для AVITO Работа.
Основной стек: Python, Pandas, PyTorch, Keras, SQL, ClickHouse, PySpark.
Образование:
Механико-математический факультет Московского Государственного Университета (МГУ)
Otus Certified Educator
Программа обучения
Модуль 1
Классические методы рекомендаций
Модуль 2
Контентные методы рекомендаций
Модуль 3
Современные методы рекомендаций
Модуль 4
Персонализация
Модуль 5
Проектная работа
Подробная программа
PDF 93861 kb
Классические методы рекомендаций
В этом модуле мы разберём такие классические методы построения персональных рекомендаций, как:
коллаборативная фильтрация,
SVD - разложения;
факторизационная машина.
Также обсудим и рассмотрим на примере метрики в задачах рекомендательных систем.
Оценить модуль
1
0
Тема 1: Введение в рекомендательные системы. Рекомендательные системы, построенные на правилах
рассмотреть рекомендательную систему, как на часть бизнес-области;
научиться строить гипотезы для бейзлайнов, построенных на правилах для различного типа сервисов:
интернет-магазины;
новостные агрегаторы;
контентные сервисы;
форумы;
социальные сети.
Тема 2: Коллаборативная фильтрация на примере рейтингов фильмов
рассмотреть подход коллаборативной фильтрации;
разобрать алгоритмы kNN:
по пользователям;
по темам;
познакомиться с библиотекой surprise.
Тема 3: SVD-разложение на примере рейтингов фильмов
разобрать алгоритм SVD;
разобрать алгоритм SVD++;
построить персональные рекомендации алгоритмом SVD++.
Тема 4: SVD-разложение на примере продаж товаров
рассмотреть обобщения алгоритма SVD в виде классификационной задачи;
научиться добавлять в алгоритм информацию о пользователе;
научиться добавлять в алгоритм информацию о последних покупках.
Тема 5: Метрики качества в рекомендациях и A/B-тесты
изучить метрики задач ранжирования;
рассмотреть примеры бизнес-метрик;
изучить методику проведения A/B-тестов: оценка количества примеров для теста;
p-value: понятие проверки гипотезы H0.