Курс по
рекомендательным системам

Освойте подходы рекомендательных систем — от коллаборативной фильтрации до нейросетевых методов, решая реальные бизнес-задачи и улучшая точность рекомендаций.

Программа

Курсы

Преподаватели

Стоимость

FAQ

Контакты

Записаться

Анастасия Никулина

Curiosity about life in all its aspects, I think, is still the secret of great creative people.

количество мест ограничено, старт: в любое время

< Старт: в любое время >

//

< Длительность: 2 месяца >

< Для кого >

Кому подойдет курс

Для специалистов по Data Science, желающих начать профессиональную карьеру в области рекомендательных систем

Специалистам

Для студентов, которые продолжают обучение в Data Science и хотят овладеть навыками в области рекомендательных систем (анализ данных, построение моделей рекомендаций, оптимизация алгоритмов)

Студентам

Для тех, кто хочет внедрить рекомендательные системы в свои проекты или стартапы

Кто использует RecSys в своих проектах

Требования

//

Python (синтаксис языка, знание структур и типов данных, функции, ООП)

Классическое машинное обучение: знаете как устроены классические модели машинного обучения, как их обучать и анализировать результаты

< Что вы изучите на курсе >

Программа

Кликните на +, чтобы раскрыть нужную тему

//

Введение в RecSys

Простейшие методы рекомендаций

Исследование данных в RecSys

Метрики и валидация моделей

Коллаборативная фильтрация. Memory-based

Коллаборативная фильтрация. Model-based

Идея перехода от пользовательских соседей к обучению моделей
Матричная факторизация: концепция и задачи
Применение факторизационных машин в рекомендациях
Приближённые методы поиска для масштабирования
Реализация моделей SVD, ALS, EASE

Популярные элементы и бизнес-правила
Эвристические подходы
Ограничения простых методов
Роль случайных рекомендаций
Популярное как базовая линия качества

Принципы коллаборативной фильтрации
User-based и Item-based методы
Разреженные матрицы в данных
Метрики качества: hitrate и вариации
Использование библиотек для Memory-Based моделей

Способы разбиения данных: user/temporal/event split
Регрессионные и классификационные метрики
Beyond-Accuracy метрики
ONNX для сохранения моделей

Курс длится 2 месяца

Длительность:

< 01. >

• 2 видео: лекция с теорией и семинар с разбором практики (~45 мин)

Примерная нагрузка в неделю:

< 02. >

+

• Тестовые задания после каждого урока с теорией
• Практическая работа после каждого семинара (~5-8 часов на выполнение)

Основные понятия
Основные понятия RecSys
Для чего применяются рекомендательные алгоритмы
Постановка задачи рекомендаций
Классификация типов систем
Пайплайн создания рекомендателей
Ключевые проблемы RecSys

EDA для данных рекомендательных систем
Построение разреженных матриц
Расчёт hitrate
Работа с библиотеками rectools и implicit

Content-based и Context-aware рекомендации

Гибридные рекомендательные системы

AE и VAE в RecSys

Графовые нейросети для RecSys

Ранжирование

Sequential рекомендательные системы

Почему важен порядок событий
Использование Transformer-архитектуры
SASRec и BERT4Rec: особенности и различия
Подходы к обучению на последовательностях
Использование causal masking
Визуализация attention map

Что такое гибридизация в RecSys
Комбинирование Content-based и Collaborative подходов
Архитектуры гибридных моделей
Преимущества смешанных систем
Стратегии объединения моделей

Задача ранжирования
Метрики - NDCG@k, MAP@k, MRR, AP@K
Ранжирующие функции потерь
Валидация двухуровневых моделей
Фичи для ранжирующей модели

Базовые понятия графовых нейросетей
Зачем графы используются в RecSys
Классы моделей Graph Neural Networks
Парадигмы построения графовых сверток
GNN, GCN, NGCN, LightGCN и другие модели на основании графов в RecSys
Реализация моделей с использованием torch_geometric (GraphSAGE, GAT)
Визуализация графов и эмбеддингов

Принципы Content-based подхода
Источники данных: тексты, изображения, метаданные
Метрики сходства между объектами
Архитектура Content-based систем
Основы Context-aware рекомендаций (учёт контекста)

Что такое автоэнкодеры и их роль в RecSys
Архитектура автоэнкодеров: кодировщик и декодировщик
Линейные и нелинейные автоэнкодеры
Деноизирующие автоэнкодеры для улучшения качества
Вариационные автоэнкодеры и ELBO
Реализация MultVAE на PyTorch

Анастасия Никулина

Head of Competence center ML Wildberries

*

CEO & Founder PyMagic

*

Ex DS Росбанк, OMD, МТС

*

Автор канала про машинное обучение на YouTube

*

< Cпециалисты в своем деле >

Команда

Наши преподаватели погрузят вас в тему рекомендательных систем, включая простые методы (например, коллаборативную фильтрацию) и более сложные подходы, такие как вариационные автоэнкодеры, графовые нейросети и последовательные рекомендации. Вы освоите базовые и продвинутые методы и научитесь применять их для решения реальных задач, таких как построение рекомендаций и предсказание предпочтений пользователей

< # if знания бесценны == true: print(”go!”) >

Стоимость курса

Полная оплата

29 990₽

Купить

< Тип оплаты >

8 видео-лекций с теорией в предзаписи

*

Презентационные образовательные материалы и материалы с кодом

*

Список полезных дополнительных материалов

*

Если у вас остались вопросы , напишите нам, мы ответим на все ваши вопросы по курсу

Узнать подробнее

//

Автоматизированная проверка кода

*

Доступ к курсу в течение года

Сертификат об окончании курса

*

Доступ к чату сообщества студентов

6 видео-семинаров с практикой в предзаписи

*

Смогу ли я оформить налоговый вычет в 13% за обучение?

< Frequently asked questions >

FAQ

Кликните на +, чтобы открыть ответ на вопрос

//

Чему я смогу научиться на курсе?

Есть ли какие-то требования для прохождения курса?

Что делать, если по какой-то причине я не справляюсь с нагрузкой и не успеваю выполнить все задания к окончанию курса?

Могу ли я вернуть деньги за курс, если он мне не подошел/не понравился?

Сколько времени необходимо уделять учебе?

Будете ли выдавать сертификат после прохождения обучения?

Вам необходимо иметь базовые знания Python (типы и структуры данных, функции, ООП), а также уметь обучать модели машинного обучения (достаточно классических ML моделей).

Минимально это 2-3 часа в день (прослушивание лекции, самостоятельное чтение, прохождение тестов, изучение дополнительный материалов), если хотите пройти курс за неделю. Но вы можете сами контролировать свою нагрузку, так как все лекции открываются сразу

Вы можете проходить курс в своем темпе в течение месяца после начала оплаты. Если по каким-то причинах не успеваете, то можете продлить подписку.

Возврат осуществляется за вычетом непройденного материала

Вы сделаете свои первые шаги в сторону production ML моделей, поймете как устроен процесс и сможете рассмотреть базовый папйлайн деплоя моделей. Дополнительно также кратко разберете ML System Design: как устроен процесс обучения модели, с чего необходимо начинать, как правильно выбрать метрики, какие лучше модели использовать для той или иной задачи и так далее. Данный курс больше направлен на приобретение практических навыков в MLOps

Да, сертификат о прохождении курса будет выдаваться, но только в том случае, если вы прошли все лекции и семинары, а также выполнили все тесты и практические задания

Да, так как мы осуществляем образовательную деятельность на основании лицензии № Л035-01255-50/00638643. Для подачи документов на налоговый вычет необходимо обязательно сохранять все чеки об оплате. Более подробно вы можете прочитать в следующей статье, либо написать нам на почту в разделе "Контакты"