Рекомендательные системы

Что даст вам этот курс

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

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

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.

Подробная программа

PDF 93861 kb