БЛОК РЕКОМЕНДАТЕЛЬНЫЕ СИСТЕМЫ
Освойте полный пайплайн построения рекомендательных систем под руководством ведущих ML-инженеров
ПРОГРАММА >
СЕГОДНЯ РЕКОМЕНДАТЕЛЬНЫЕ СИСТЕМЫ ВСТРЕЧАЮТСЯ ВО МНОГИХ ПРИЛОЖЕНИЯХ, ГДЕ ЕСТЬ ПОИСК И ПЕРСОНАЛИЗАЦИЯ.
Мы разберёмся, как построить свою рекомендательную систему, используя все возможные знания о пользователях и объектах рекомендации.
На практике научимся использовать алгоритмы контентной фильтрации, матричной факторизации, обучим глубокие сети и модели ранжирования. А потом — рассмотрим проблемы, которые могут возникать в проде.
МОДУЛЬ 1: ВВЕДЕНИЕ В РЕКОМЕДАТЕЛЬНЫЕ СИСТЕМЫ
Рассмотрим, кем и для чего применяются рекомендательные системы. Разберёмся, что такое явная и неявная реакция. Узнаем, зачем нужна двухуровневая система сбора кандидатов и ранжирования
Построим самые базовые алгоритмы, которые будут выступать в качестве бейзлайна. Также рассмотрим работу рекомендаций на основе содержания рекомендуемых предметов.
МОДУЛЬ 2: КОЛЛАБОРАТИВНАЯ ФИЛЬТРАЦИЯ
Разберёмся, как применять информацию о предпочтениях пользователей в сервисе для построения рекомендаций. Затем построим простую систему, используя классический KNN алгоритм и оценим качество на офлайн метриках
Разберём задачу факторизации матрицы рейтингов от svd разложения до более эффективной als архитектуры и функции ошибок bpr. Узнаем, что такое факторизационные машины и как их применять
Разберёмся, как использовать последовательность взаимодействий пользователя для построения рекомендации следующего предмета. Научимся применить W2V подход в рекомендательных системах
МОДУЛЬ 3: МЕТОДЫ ГЛУБОКОГО ОБУЧЕНИЯ
Рассмотрим применение глубоких архитектур для рекомендательных систем, их плюсы и минусы. Также разберём подход ранжирования с помощью глубоких сетей и сгенерированных признаков
Рассмотрим задачу рекомендаций в парадигме графовых нейросетей, разберем GCN-подобные архитектуры, их плюсы и минусы
МОДУЛЬ 4: РАНЖИРОВАНИЕ И РЕКОМЕНДАЦИИ В ПРОДЕ
Узнаем, как применять простой алгоритм бандитов для холодного старта. Также рассмотрим другие алгоритмы из области обучения с подкреплением и обсудим, в каких задачах он улучшает качество рекомендаций
Вспомним задачу ранжирования, соберём датасет и сгенерируем признаки, по которым можно обучить модель для задачи ранжирования
Рассмотрим специфичные метрики рекомендаций, которые могут сильно влиять на опыт пользователя при взаимодействии с сервисом. Обсудим инфраструктуру для построения эффективной системы
karpov.courses/ml-hard/recommender-system
Освойте полный пайплайн построения рекомендательных систем под руководством ведущих ML-инженеров
ПРОГРАММА >
СЕГОДНЯ РЕКОМЕНДАТЕЛЬНЫЕ СИСТЕМЫ ВСТРЕЧАЮТСЯ ВО МНОГИХ ПРИЛОЖЕНИЯХ, ГДЕ ЕСТЬ ПОИСК И ПЕРСОНАЛИЗАЦИЯ.
Мы разберёмся, как построить свою рекомендательную систему, используя все возможные знания о пользователях и объектах рекомендации.
На практике научимся использовать алгоритмы контентной фильтрации, матричной факторизации, обучим глубокие сети и модели ранжирования. А потом — рассмотрим проблемы, которые могут возникать в проде.
МОДУЛЬ 1: ВВЕДЕНИЕ В РЕКОМЕДАТЕЛЬНЫЕ СИСТЕМЫ
Рассмотрим, кем и для чего применяются рекомендательные системы. Разберёмся, что такое явная и неявная реакция. Узнаем, зачем нужна двухуровневая система сбора кандидатов и ранжирования
Построим самые базовые алгоритмы, которые будут выступать в качестве бейзлайна. Также рассмотрим работу рекомендаций на основе содержания рекомендуемых предметов.
МОДУЛЬ 2: КОЛЛАБОРАТИВНАЯ ФИЛЬТРАЦИЯ
Разберёмся, как применять информацию о предпочтениях пользователей в сервисе для построения рекомендаций. Затем построим простую систему, используя классический KNN алгоритм и оценим качество на офлайн метриках
Разберём задачу факторизации матрицы рейтингов от svd разложения до более эффективной als архитектуры и функции ошибок bpr. Узнаем, что такое факторизационные машины и как их применять
Разберёмся, как использовать последовательность взаимодействий пользователя для построения рекомендации следующего предмета. Научимся применить W2V подход в рекомендательных системах
МОДУЛЬ 3: МЕТОДЫ ГЛУБОКОГО ОБУЧЕНИЯ
Рассмотрим применение глубоких архитектур для рекомендательных систем, их плюсы и минусы. Также разберём подход ранжирования с помощью глубоких сетей и сгенерированных признаков
Рассмотрим задачу рекомендаций в парадигме графовых нейросетей, разберем GCN-подобные архитектуры, их плюсы и минусы
МОДУЛЬ 4: РАНЖИРОВАНИЕ И РЕКОМЕНДАЦИИ В ПРОДЕ
Узнаем, как применять простой алгоритм бандитов для холодного старта. Также рассмотрим другие алгоритмы из области обучения с подкреплением и обсудим, в каких задачах он улучшает качество рекомендаций
Вспомним задачу ранжирования, соберём датасет и сгенерируем признаки, по которым можно обучить модель для задачи ранжирования
Рассмотрим специфичные метрики рекомендаций, которые могут сильно влиять на опыт пользователя при взаимодействии с сервисом. Обсудим инфраструктуру для построения эффективной системы
karpov.courses/ml-hard/recommender-system
Для просмотра скрытого содержимого необходимо Войти или Зарегистрироваться.