Вы используете мобильную версию

перейти на Полную версию сайта

Запись

[Karpov.Courses] Рекомендательные системы (Валерий Бабушкин, Алексей Лопатин)

Складчина [Karpov.Courses] Рекомендательные системы (Валерий Бабушкин, Алексей Лопатин). Совместные покупки курсов, тренингов, обучения. Присоединяйтесь! Важен каждый вкладчик.

Тема найдена по тегам:
Цена:
60000 руб
Взнос:
593 руб
Организатор:
Lucky man

Список участников складчины:

1. Lucky man 2. RanAn 3. Roman12345 4. tdn6700
open
2
  1. Lucky man
    Lucky man Организатор складчин

    [Karpov.Courses] Рекомендательные системы (Валерий Бабушкин, Алексей Лопатин)

    [​IMG]

    ЧЕМУ ВЫ НАУЧИТЕСЬ [?]

    1 Освоите основные направления рекомендательных систем
    2 Поймёте, как тестировать рекомендательные системы
    3 Разберётесь в их метриках
    4 Узнаете о подводных камнях и способах борьбы с ними
    5 Научитесь строить эффективные системы
    6 Построите реальную рекомендательную систему, которая учитывает фидбек от пользователя

    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

     
    Последнее редактирование модератором: 11 дек 2023
    Lucky man, 14 сен 2023
  2. Похожие складчины
    Загрузка...
Наверх