Я работаю лидом команды ML в ride-hailing компании и занимаюсь задачами в разных направлениях: классический ML, CV, NLP, рекомендательные системы. На курс "Рекомендательные системы" пришёл для того, чтобы систематизировать знания в этой области и научиться выбирать правильные подходы и методы решения разнообразных задач, в том числе для работы. Более того, сейчас на рынке большой спрос на специалистов со специализацией в RecSys. А ещё рекомендательные системы — область, которая объединяет в себе сразу несколько сфер машинного обучения: в работе над этими задачами приходится применять не только разные рекомендательные ноу-хау, но и, в зависимости от домена, компьютерное зрение, анализ текстовых и табличных данных, обучение с подкреплением. При выборе курса руководствовался в первую очередь содержанием программы. Мне понравилось, что освещается широкий спектр тем: от look-a-like подходов, uplift-моделирования и простых эвристик — до RL, ранжирования, sequential-моделей и двухуровневых моделей. Затронули также и графы, и A/B-тесты, поговорили об особенностях внедрения систем рекомендаций в продакшн. Каждый раздел ведёт эксперт с узкой специализацией в конкретной области, поэтому была возможность глубоко погрузиться в тему. Отдельно хочу отметить руководителя программы Веронику Иванову — она очень подробно и обстоятельно отвечала на все вопросы, а также, что очень важно, создала максимально комфортную и тёплую атмосферу для обсуждения профессиональных вопросов. Вообще, от учёбы было ощущение клуба увлечённых единомышленников — из-за этого учился я с удовольствием. Хочу отметить ещё одну положительную сторону: свобода при выборе темы финального проекта. Можно сделать вообще всё, что вызывает интерес, будь то реализация научной статьи, участие в соревнованиях, рабочая задача, своя задача на открытых данных, и т.д. Я, например, выполнил и защитил проект на тему "Бустинговые и нейросетевые методы ранжирования для рекомендаций в QA-системах". Удалось попробовать на практике многое из того, что проходили, а также поработать с NLP. Более того, данный проект, как и весь курс в целом, позволил подготовиться к решению реальных рабочих задач: я уже сейчас применяю полученные знания для создания алгоритмов матчинга и ранжирования. Пожалуй, если бы я чего-то и добавил в программу, то это более подробное освещение промышленной эксплуатации рекомендательных систем, особенно с точки зрения архитектуры и обработки больших объёмов данных.