Рекомендательные системы | OTUS
Рассрочка
Рассрочка
Рекомендательные системы

После курса сможете решать интересные задачи в проектах с Big Data

Курс для DS/ML-специалистов, которые, либо уже какое-то время находятся в профессии, либо недавно закончили ML/DS/DL курсы и хотят углубить знания в области рекомендательных систем

Длительность обучения:

3 месяца

4 ак. часа в нед.

Формат:

Online

Начало занятий:

31 May

Что даст вам этот курс
Рекомендательные системы (Recommender Systems) помогают анализировать данные о пользователе и его предпочтениях, чтобы предоставлять персонализированные рекомендации о продуктах, услугах или контенте, которые могут ему понравиться. Сейчас рекомендательные системы активно используют банки, e-commerce, соцсети, стриминговые сервисы, поэтому на рынке востребованы специалисты с глубокими знаниями и опытом в области 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.

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.


Для кого этот курс?

  • 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.


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.

 

Особенности курса

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.

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

Александр Брут-Бруляко
Роман Захаров
Senior data scientist в Райффайзенбанке
Александр Сизов
Учёный и эксперт по Machine/Deep learning
Ds инженер в СБЕР Neurolab

Занимаюсь построением DS систем. Анализирую данные, выстраиваю ИТ сервисы вокруг этого.

Закончил мехмат МГУ в 2004 г.
До 2012 г. преподавал в университете, защитил диссертацию по матметодам в экономике.
С 2010 по 2016 г. занимался веб разработкой на Python и PHP, программировал интернет-магазины, писал парсеры.
В DS и аналитике с 2016 г. Работал аналитиком данных в банке.
Писал внутренний аналитический софт на крупном ювелирном заводе, работал DS инженером в региональной ритейл сети. Делал ML модели персонализации для AVITO Работа.

Сейчас работаю DS инженером в СБЕР Neurolab. Это исследовательское подразделение с фокусом на персонализацию коммуникаций, поэтому спектр задач широк - и классические задачи ML, и NLP, и CV, и написание парсеров, и написание поддерживающей ИТ инфраструктуры.

Основной стек: Python, Pandas, PyTorch, Keras, SQL, ClickHouse, PySpark.

Руководитель программы
Эксперт по анализу данных и машинному обучению. Специалист по компьютерному зрению, распознаванию изображений, трекингу и локализации объектов.

Работал в различных проектах, связанных с телекомом, видеонаблюдением, бухгалтерской сферой, юридической и банковской индустрией. Неоднократный участник отраслевых конференций, посвящённых технологиям программирования и машинному обучению. Проводит митапы, семинары, лекции и практики по технологиям машинного и глубокого обучения.

Область интересов: Deep Learning, CV, NLP, NER, Anomaly detection, Python

Образование: аспирантура кафедры общей информатики Самарского государственного аэрокосмического университета (СГАУ).

Преподаватель
Опытный разработчик, учёный и эксперт по Machine/Deep learning с опытом в рекомендательных системах. Имеет более 30 научных публикаций на русском и иностранном языках, защитил кандидатскую диссертацию на тему анализа и прогнозирования временных рядов.

Окончил факультет вычислительной техники в НИУ МЭИ, где в 2008 г. получил степень бакалавра, в 2010 — магистра, в 2014 — кандидата технических наук. Ещё до начала работы над диссертацией увлёкся анализом данных и при реализации своего первого значимого проекта прошёл путь от рядового программиста до начальника отдела разработки.

Около 10 лет преподавал смежные дисциплины в НИУ МЭИ, будучи доцентом кафедры. Руководит Data Science командами по разработке проектов в области NLP, RecSys, Time Series и Computer Vision

Преподаватель
Александр
Брут-Бруляко
Роман
Захаров
Александр
Сизов

Преподаватели

Александр Брут-Бруляко
Ds инженер в СБЕР Neurolab

Занимаюсь построением DS систем. Анализирую данные, выстраиваю ИТ сервисы вокруг этого.

Закончил мехмат МГУ в 2004 г.
До 2012 г. преподавал в университете, защитил диссертацию по матметодам в экономике.
С 2010 по 2016 г. занимался веб разработкой на Python и PHP, программировал интернет-магазины, писал парсеры.
В DS и аналитике с 2016 г. Работал аналитиком данных в банке.
Писал внутренний аналитический софт на крупном ювелирном заводе, работал DS инженером в региональной ритейл сети. Делал ML модели персонализации для AVITO Работа.

Сейчас работаю DS инженером в СБЕР Neurolab. Это исследовательское подразделение с фокусом на персонализацию коммуникаций, поэтому спектр задач широк - и классические задачи ML, и NLP, и CV, и написание парсеров, и написание поддерживающей ИТ инфраструктуры.

Основной стек: Python, Pandas, PyTorch, Keras, SQL, ClickHouse, PySpark.

Руководитель программы
Роман Захаров
Senior data scientist в Райффайзенбанке
Эксперт по анализу данных и машинному обучению. Специалист по компьютерному зрению, распознаванию изображений, трекингу и локализации объектов.

Работал в различных проектах, связанных с телекомом, видеонаблюдением, бухгалтерской сферой, юридической и банковской индустрией. Неоднократный участник отраслевых конференций, посвящённых технологиям программирования и машинному обучению. Проводит митапы, семинары, лекции и практики по технологиям машинного и глубокого обучения.

Область интересов: Deep Learning, CV, NLP, NER, Anomaly detection, Python

Образование: аспирантура кафедры общей информатики Самарского государственного аэрокосмического университета (СГАУ).

Преподаватель
Александр Сизов
Учёный и эксперт по Machine/Deep learning
Опытный разработчик, учёный и эксперт по Machine/Deep learning с опытом в рекомендательных системах. Имеет более 30 научных публикаций на русском и иностранном языках, защитил кандидатскую диссертацию на тему анализа и прогнозирования временных рядов.

Окончил факультет вычислительной техники в НИУ МЭИ, где в 2008 г. получил степень бакалавра, в 2010 — магистра, в 2014 — кандидата технических наук. Ещё до начала работы над диссертацией увлёкся анализом данных и при реализации своего первого значимого проекта прошёл путь от рядового программиста до начальника отдела разработки.

Около 10 лет преподавал смежные дисциплины в НИУ МЭИ, будучи доцентом кафедры. Руководит Data Science командами по разработке проектов в области NLP, RecSys, Time Series и Computer Vision

Преподаватель

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.
Корпоративное обучение для ваших сотрудников
>
Программа обучения
В процессе обучения вы получите комплексные знания и навыки.
Тема 1. Введение в рекомендательные системы. Рекомендательные системы, построенные на правилах
Тема 2. Коллаборативная фильтрация на примере рейтингов фильмов
Тема 3. SVD-разложение на примере рейтингов фильмов
Тема 4. SVD-разложение на примере продаж товаров
Тема 5. Метрики качества в рекомендациях и A/B-тесты
Тема 6. Контентные методы рекомендаций
Тема 7. Рекомендательная система на основе текстовых данных
Тема 8. Рекомендательная система на основе анализа изображений
Тема 9. Информационный поиск как рекомендательная система
Тема 10. Нейронные сети в рекомендательных системах
Тема 11. Многорукие бандиты
Тема 12. Гибридные рекомендательные системы
Тема 13. Внедрение рекомендательных систем на практике
Тема 14. Сегментация пользователей и задача персонализации
Тема 15. Look-a-like выделение сегментов пользователей
Тема 16. Модели Next Best Action
Тема 17. Uplift - моделирование
Тема 18. Выбор темы и организация проектной работы
Тема 19. Консультация по проектам и домашним заданиям
Тема 20. Защита проектных работ. Подведение итогов курса
Скачать подробную программу
Выпускной проект
Последний месяц отводится для проектной работы, которая станет частью вашего портфолио. Под руководством эксперта вы будете проектировать и реализовывать рекомендательную систему и систему персонализации для конкретного сервиса или компании - по выбору студента.

Процесс обучения

Все обучение проходит онлайн: вебинары, общение с преподавателями и вашей группой в Telegram, сдача домашних работ и получение обратной связи от преподавателя.


Вас ждут:

Интерактивные вебинары
Два занятия по два академических часа в неделю

Практика
Интересные домашние задания с обратной связью от преподавателя и выпускной проект, который станет частью портфолио

Активное комьюнити
Общайтесь с преподавателями голосом на вебинарах и в чате Telegram 

Получить консультацию
Наш специалист свяжется с вами в ближайшее время. Если у вас возникли трудности в выборе курса или проблемы технического плана, то мы с радостью поможем вам.
Спасибо!
Мы получили Вашу заявку, в ближайшее время с Вами свяжется наш менеджер.

После обучения вы


  • заберете с собой полный комплект обучающих материалов: видеозаписи всех вебинаров, презентации к занятиям и другие дополнительные материалы;

  • получите сертификат о прохождении курса;

  • получите все необходимые навыки для работы с рекомендательными системами;

Дата выдачи сертификата: 21 September 2023 года
Ваш сертификат

онлайн-образование

Сертификат №0001

Константин Константинопольский

Успешно закончил курс «Рекомендательные системы»
Выполнено практических заданий: 16 из 16

Общество с ограниченной ответственностью “Отус Онлайн-Образование”

Город:
Москва

Директор департамента образования
ООО “Отус Онлайн-Образование”
Анна Фирсова

Лицензия на осуществление образовательной деятельности
№ 039825 от 28 декабря 2018 года.

онлайн-образование

Сертификат №0001

Константин Константинопольский

Успешно закончил курс «Рекомендательные системы»
Выполнено практических заданий: 16 из 16

Общество с ограниченной ответственностью “Отус Онлайн-Образование”

Город:
Москва

Директор департамента образования
ООО “Отус Онлайн-Образование”
Анна Фирсова

Лицензия на осуществление образовательной деятельности
№ 039825 от 28 декабря 2018 года.
Прошедшие открытые вебинары
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.
Рекомендательная система: как рекомендовать визуально похожие товары
Александр Брут-Бруляко
Для доступа к прошедшим мероприятиям необходимо пройти входное тестирование
Возможность пройти вступительное тестирование повторно появится только через 2 недели
Результаты тестирования будут отправлены вам на email, указанный при регистрации.
Тест рассчитан на 30 минут, после начала тестирования отложить тестирование не получится!
Стоимость обучения
Cтоимость указана для оплаты физическими лицами
45 000 ₽
Продолжительность
3 месяца
Начало занятий
31 May