Магистратура 2021/2022

Рекомендательные системы

Лучший по критерию «Полезность курса для расширения кругозора и разностороннего развития»

Лучший по критерию «Новизна полученных знаний»

Статус: Курс по выбору

Направление: 01.04.02. Прикладная математика и информатика

Кто читает: Департамент математики

Где читается: Санкт-Петербургская школа физико-математических и компьютерных наук

Когда читается: 2-й курс, 1, 2 модуль

Формат изучения: без онлайн-курса

Охват аудитории: для своего кампуса

Преподаватели: Сироткин Александр Владимирович

Прогр. обучения: Информационные системы и взаимодействие человек-компьютер

Язык: русский

Кредиты: 8

Контактные часы: 56

Программа дисциплины

Аннотация

Целью освоения дисциплины «Рекомендательные системы» является ознакомление с принципами работы рекомендательных систем и рассмотрение вопросов, связанных с особенностями проектирования, использования подобных систем. После прохождения курса студенты будут ориентироваться в методах построения и оценивания рекомендательных систем от базовых неперсонализированных подходов, рекомендаций, основанных на характеристиках контента (content-based), коллаборативной фильтрации до адаптивных и продвинутых, основанных на методах машинного обучения.

Цель освоения дисциплины

• ознакомление с принципами работы рекомендательных систем и рассмотрение вопросов, связанных с особенностями проектирования, использования подобных систем

Планируемые результаты обучения

• Уметь выбирать подходящие алгоритмы для построения моделей
• Уметь использовать сводную статистику
• Уметь объяснять ключевые концепции, лежащие в основе рекомендаций
• Уметь объяснять разницу между подходами,основанными на пользователях и предметах
• Уметь создавать профиль личных интересов
• Уметь создавать рекомендации по ассоциации продукта
• Уметь сочетать коллаборативную фильтрацию и рекомендации на основе содержимого
• Уметь строить рекомендации, основанные на коллаборативной фильтрации

Содержание учебной дисциплины

• Введение в рекомендательные системы.
• Неперсонализированные модели. Модели на основе контентой информации.
• Коллаборативная фильтрация
• Продвинутые методы построения моделей факторизации
• Учет контекстной информации в моделях

Элементы контроля

• Домашнее задание
• Отчет по проекту
  Отчетность по проекту состоит из двух частей: сам письменный отчет и защита. В рамках проекта студентам предлагается индивидуально или в малых группах (не более трех человек) выбрать датасет и продемонстрировать навыки анализа набора данных и реализации рекомендательной системы на основе этих данных. Примерами данных могут являться наборы данных GroupLens или наборы использовавшиеся в рамках соревнований ReсSys Challenge.
• Защита проекта
  Отчетность по проекту состоит из двух частей: сам письменный отчет и защита. Защита представляет собой презентацию с описанием проделанной работы, построенной системы и использовавшимся подходам.

Промежуточная аттестация

• 2021/2022 учебный год 2 модуль
  0.45 * Домашнее задание + 0.2 * Защита проекта + 0.35 * Отчет по проекту

Список литературы

Рекомендуемая основная литература

• René Michel, Igor Schnakenburg, & Tobias von Martens. (2019). Targeting Uplift : An Introduction to Net Scores (Vol. 1st ed. 2019). Cham: Springer. Retrieved from http://search.ebscohost.com/login.aspx?direct=true&site=eds-live&db=edsebk&AN=2247428

Рекомендуемая дополнительная литература

• Manouselis, N., Drachsler, H., Verbert, K., Duval, E. Recommender Systems for Learning. – Springer, 2013. – ЭБС Books 24x7.

Авторы

• Суворова Алёна Владимировна
• Сироткин Александр Владимирович