Специальная цена
Рассрочка
Рекомендательные системы
Курс для DS/ML-специалистов, которые хотят углубить знания в области рекомендательных систем
28 мая
3 месяца
Онлайн
Пн/Ср 20:00 Мск
Для кого этот курс?
Программа обучения рассчитана на специалистов с опытом в машинном обучении, которые хотят на практике внедрять рекомендательные системы и персонализации. Вы получите необходимые навыки для внедрения рекомендательных систем под задачи малого и среднего бизнеса, а также научитесь принципам проектирования рекомендательных систем для крупных компаний.- DS/ML/DL специалисты, которые хотят углубить знания в области рекомендательных систем и получить практический опыт;
- IT-специалисты малого и среднего бизнеса, желающие внедрить в поддерживаемые ими системы механики рекомендательных систем и персонализации коммуникаций;
- Разработчики с базовыми навыками Python и ML, которые хотят получить опыт работы с рекомендательными системами;
- Выпускники курсов по машинному обучению.
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.
Что даст вам этот курс
Что вы будете уметь после обучения
После обучения вы сможете самостоятельно решать задачи создания и внедрения рекомендательных систем для интернет-магазинов, ритейла, контентных сервисов, а также будете:- Понимать концепции рекомендательных систем и их применения в проектах;
- Сможете работать с разными типами рекомендательных систем;
- Узнаете современные методы рекомендаций и научитесь работать с ними;
- Сможете внедрять персонализации, сегментировать пользователей;
- Научитесь разбираться в метриках качества рекомендаций и проводить A/B тесты;
- Получите навыки внедрения рекомендательных систем на практике.
- Курс ориентирован на прикладные решения в области рекомендательных систем, которые можно реализовать для сервисов и компаний. На протяжении всего обучения студенты работают с датасетами, идентичными натуральным, погружаются в инфраструктуру для развертывания рекомендательных систем.
- По данным Zarplan средняя зарплата специалистов Data Science в области рекомендательных систем составляет более 240 тысяч рублей. Курс дает знания, которые помогут перейти на более интересный проект с высокой зарплатной вилкой.
Процесс обучения
Вебинары проводятся 2 раза в неделю по 2 ак. часа и сохраняются в записи в личном кабинете. Вы можете посмотреть их в любое удобное для вас время.
В ходе обучения вы будете выполнять домашние задания. Каждое из них посвящено одному из компонентов вашего выпускного проекта.
После выполнения всех домашних заданий вы получите готовый выпускной проект.
Оптимальная нагрузка
Возможность совмещать учебу с работойПортфолио
Индивидуальная разработка итоговой проектной работы Перспективы
Получите знания, которые помогут повысить вашу востребованность и доход
Партнеры
Многие студенты еще во время прохождения первой части программы находят или меняют работу, а к концу обучения могут претендовать на повышение в должности.
- Получите помощь с оформлением резюме, портфолио и сопроводительного письма
- Разместите свое резюме в базе OTUS и сможете получать приглашения на собеседования от партнеров
Формат обучения
Интерактивные вебинары
2 занятия по 2 ак.часа в неделю. Доступ к записям и материалам остается навсегда
Обратная связь
Домашние задания с поддержкой и обратной связью наших преподавателей помогут освоить изучаемые технологии
Активное комьюнити
Чат в Telegram для общения преподавателей и студентов
Программа
От классического ML к персонализации
В этом модуле мы рассмотрим: - задачи сегментирования клиентов; - персонализацию рекомендаций; - коммуникации для задач с небольшим количеством товаров или альтернатив коммуникаций. Изучим задачи Uplift - моделирования и оптимизацию финансового результата от коммуникации.
Тема 1: Знакомство. Вводное занятие. Жизненный цикл моделей
Тема 2: Сегментация пользователей и задача персонализации
Тема 3: Look-a-like выделение сегментов пользователей
Тема 4: Модели Next Best Action
Тема 5: Uplift - моделирование
Классические методы рекомендаций
В этом модуле мы познакомимся с особенностями построения рекомендательных систем и методами оценки их качества, а также разберём классический подход к реализации моделей — коллаборативную фильтрацию.
Тема 1: Введение в рекомендательные системы
Тема 2: Эвристические модели. Коллаборативная фильтрация
Тема 3: Методы матричной факторизации
Тема 4: Практическое занятие по моделям матричной факторизации
Тема 5: A/B - тесты в рекомендательных системах
Контентные и гибридные методы рекомендаций
В этом модуле мы узнаем, как использовать информацию о пользователях и товарах при построении рекомендательных моделей.
Тема 1: Контентные методы рекомендаций
Тема 2: Рекомендательная система на основе текстовых данных
Тема 3: Ранжирование при помощи градиентного бустинга
Тема 4: Практическое занятие по рекомендательным системам. Двухуровневая модель
Современные методы рекомендаций
В этом модуле мы рассмотрим современные архитектуры рекомендательных систем: нейросетевые и модели на графах, обучение с подкреплением.
Тема 1: Ведение в нейросети и PyTorch
Тема 2: Нейросетевые методы рекомендаций
Тема 3: Sequential - модели
Тема 4: Методы теории графов в рекомендательных системах
Тема 5: Многорукие бандиты для оптимизации A/B - тестирования
Тема 6: Многорукие бандиты для задачи рекомендации
Рекомендательные системы в продакшн
В этом модуле мы рассмотрим особенности внедрения рекомендательных моделей в продакшн и работу с большими данными.
Тема 1: Особенности работы с большими объемами данных
Тема 2: Внедрение рекомендательных систем на практике. Микросервисы
Тема 3: Применение Docker на практике
Проектная работа
Заключительный месяц курса посвящен проектной работе. Свой проект — это то, что интересно создать слушателю. То, что можно разработать на основе знаний, полученных на курсе. При этом не обязательно закончить его за месяц. В процессе работы над проектом можно получить консультацию преподавателей.
Тема 1: Выбор темы и организация проектной работы
Тема 2: Консультация по проектам и домашним заданиям
Тема 3: Защита проектных работ и подведение итогов курса
Также вы можете получить полную программу, чтобы убедиться, что обучение вам подходит
Выпускной проект
Итоговый проект станет частью портфолио для работодателя. В нем студенты реализуют рекомендательную систему и систему персонализации для конкретного сервиса или компании, по выбору студента. Ведущие эксперты с большим опытом внедрения рекомендательных систем в e-commerce, FinTech, стриминговых сервисах, маркетплейсах будут курировать проекты.
Преподаватели
Эксперты-практики делятся опытом, разбирают кейсы студентов и дают развернутый фидбэк на домашние задания
Ближайшие мероприятия
Открытый вебинар — это настоящее занятие в режиме он-лайн с преподавателем курса, которое позволяет посмотреть, как проходит процесс обучения. В ходе занятия слушатели имеют возможность задать вопросы и получить знания по реальным практическим кейсам.
Матричная факторизация — это мощный инструмент машинного обучения, лежащий в основе рекомендательных систем, анализа данных и обработки больших массивов информации. Актуальность темы растёт из-за увеличения объёмов данных и потребности в эффективных методах их анализа.
Программа вебинара:
- Теоретические основы – что такое матричная факторизация, SVD, ALS.
- Инструменты и реализация – знакомство с библиотекой implicit.
- Анализ полученных результатов.
Кому будет полезен вебинар?
- Всем кто интересуется рекомендательными системами;
- DS/ML/DL специалистам, которые хотят углубить знания в области рекомендательных систем и получить практический опыт;
- IT-специалистам малого и среднего бизнеса, желающим внедрить в поддерживаемые ими системы механики рекомендательных систем и персонализации коммуникаций;
- Разработчикам с базовыми навыками Python и ML, которые хотят получить опыт работы с рекомендательными системами.
В результате вебинара вы:
- Поймёте принципы работы матричной факторизации и познакомитесь с наиболее популярными моделями.
- Изучите архитектуру модели ALS и примените ее на практике.
- Сможете применять рассмотренные методы в своих проектах.
Ранжирующие функции потерь (ranking loss functions) — ключевой компонент современных рекомендательных систем, определяющий, как алгоритмы учатся предпочитаемому порядку элементов. Понимание этих функций критично для создания эффективных рекомендаций, так как напрямую влияет на качество предсказаний.
Программа вебинара:
- Основы обучения ранжированию – чем ранжирование отличается от классификации и регрессии.
- Функции потерь – Pairwise (BPR, WARP).
- Практика на реальных данных – применение модели BPRMF.
Кому будет полезен вебинар?
- Всем кто интересуется рекомендательными системами;
- DS/ML/DL специалистам, которые хотят углубить знания в области рекомендательных систем и получить практический опыт;
- IT-специалистам малого и среднего бизнеса, желающим внедрить в поддерживаемые ими системы механики рекомендательных систем и персонализации коммуникаций;
- Разработчикам с базовыми навыками Python и ML, которые хотят получить опыт работы с рекомендательными системами.
В результате вебинара вы:
- Узнаете особенности ранжирующих функций потерь, их отличие от других функций потерь, используемых в рекомендательных системах.
- Изучите архитектуру модели BPRMF и примените ее на практике.
- Сможете использовать полученные знания в своих проектах.
Прошедшие
мероприятия
Корпоративное обучение для ваших сотрудников
- Курсы OTUS верифицированы крупными игроками ИТ-рынка и предлагают инструменты и практики, актуальные на данный момент
- Студенты работают в группах, могут получить консультации не только преподавателей, но и профессионального сообщества
- OTUS проверяет знания студентов перед стартом обучения и после его завершения
- Простой и удобный личный кабинет компании, в котором можно видеть статистику по обучению сотрудников
- Сертификат нашего выпускника за 5 лет стал гарантом качества знаний в обществе
- OTUS создал в IT более 120 курсов по 7 направлениям, линейка которых расширяется по 40-50 курсов в год
Подтверждение знаний и навыков
OTUS осуществляет лицензированную образовательную деятельность. В конце обучения вы получите сертификат OTUS о прохождении курса и удостоверение о повышении квалификации.
После обучения вы:
- Получите материалы по пройденным занятиям (видеозаписи курса и дoполнительные материалы)
- Создадите свой проект, который поможет при прохождении собеседований
- Повысите свою ценность и конкурентоспособность как IT-специалист
- Получите сертификат об окончании курса
Рекомендательные системы
Полная стоимость со скидкой
Стоимость указана для оплаты физическими лицами
вычета до 13% стоимости обучения. Оставьте заявку и менеджер вас проконсультирует
+7 499 938-92-02 бесплатно