imported>Marina Ananyeva: Migrated current public revision from wiki.cs.hse.ru

2026-01-15T22:43:54Z

Migrated current public revision from wiki.cs.hse.ru

Новая страница

==О курсе==

Курс нацелен на формирование у слушателя достаточных знаний, навыков и компетенций для построения рекомендательных систем. Курс является прикладным и охватывает все продвинутые темы, необходимые для успешного применения как в индустрии, так и в академических исследованиях. Слушатели курса научатся постановке и имплементации рекомендательных ML моделей на Python от простой коллаборативной фильтрации до современных нейронных сетей.

[https://docs.google.com/document/d/104irUlQy_dBpme2zbZ0j-FOe70-TltkXA3R3BEd-cdI/edit?usp=sharing ПУД]

== Цели и результаты курса ==

Главная цель - сформировать знания, умения и навыки по разработке рекомендательных систем в исследовательских и индустриальных задачах.

Планируемые результаты:
* Знать основные подходы рекомендательных систем и алгоритмов к решению задачи ранжирования и рекомендаций пользователям.
* Уметь правильно определять и формализовывать задачу для построения рекомендательной системы.
* Определять и имплементировать функции ранжирования и метрики качества оценки алгоритмов.
* Разрабатывать модели машинного обучения для рекомендательных систем разной сложности на языке программирования Python.
* Объяснять и интерпретировать предсказания на локальном и глобальном уровне моделей, использовать их для отладки ошибок и аномалий.
* Разрабатывать базовые API сервисы для рекомендательных моделей с помощью docker.

==Контакты==

Репозиторий курса: [https://github.com/anamarina/RecSys_course Github]

{| class="wikitable" style="text-align:center; width:30%; border:none; cellpadding=5px;"
|-
| |
| style="background:#eaecf0; border: 2px solid gray;" colspan="5" | '''Контакты'''
|- style="border: 2px solid gray;"
! Преподаватели
| style="border: 2px solid gray;" | [https://t.me/ananyevame Марина Ананьева]
| style="border: 2px solid gray;" | [https://t.me/lashinin Олег Лашинин]
|- style="border: 2px solid gray;"
! Ассистенты
| style="border: 2px solid gray;" | [https://t.me/Sllaavva Вячеслав Юсупов]
| style="border: 2px solid gray;" | [https://t.me/sonya_leaf Анна Никифорова]
| style="border: 2px solid gray;" | [https://t.me/ilyhav Илья Веселов]
| style="border: 2px solid gray;" | [https://t.me/danila_lyapin Данила Ляпин]
| style="border: 2px solid gray;"| [https://t.me/hoshicasia Наталья Михайловская]
|-
|}

==Оценки==
[https://docs.google.com/spreadsheets/d/1H79tY3U3VsRsiU1xK6YfL2mDxNk4jtjOFtaCuI-FByU/edit?usp=sharing Таблица с оценками]

Определим накопленную оценку как '''Накоп = (0.3 * ДЗ + 0.3 * Т) / 0.6'''

Оценка ставится по формуле:
'''Final grade = Округление(0.6 * Накоп + 0.4 * Э)''', где

'''ДЗ''' - среднее за 5 домашних заданий. Одно на тему имплементации метрик оценки качества ранжирования, другое - участие в открытом соревновании по рекомендательным системам на онлайн платформе Kaggle.

'''Т''' - средняя арифметическая оценка за 19 тестов, которые проводятся на базе Google Forms/Anytask. Каждый тест содержит от 4 до 10 вопросов на пройденную тему последних лекции и семинаре в формате открытых вопросов либо с выбором ответов.

'''Э''' - устный, дистанционный экзамен на онлайн платформе Talk. Разрешается пользоваться материалами. Экзамен неблокирующий. Продолжительность - 15 минут на студента. Максимальная оценка 10 баллов на основе общего впечатления преподавателя от ответов студента.

Если '''ДЗ >= 7''' и '''Т >= 7''', то студент может получить '''Накоп''' в качестве итоговой оценки ('''Накоп = Итог'''), не приходя на экзамен. Значения порогов могут быть пересмотрены с учетом фактической общей успеваемости потока и объявлены заранее перед экзаменом.

==Материалы курса==

Еженедельные квизы и записи трансляций доступны [ по ссылке]

{| class="wikitable"
|-
! Неделя !! Тема !! Материалы !! Домашнее задание !! Дедлайн
|-
| style="background:#eaecf0;" | '''1''' || Введение в рекомендательные системы || [https://github.com/anamarina/RecSys_course/tree/2026/week01 Github, ] [https://my.tbank.ru/edu/educate/course/7f68384f-ce5b-4fae-adbb-884894ad3a88/unit/1b00c50c-6e59-464f-b729-a5d69ae1a444 Запись]|| - || [https://my.tbank.ru/edu/educate/course/7f68384f-ce5b-4fae-adbb-884894ad3a88/unit/08431dfd-3ce6-4223-b9c2-046f147ac058 Quiz 1 (до 21.01.25 18:10)]
|-
|}

==Программное обеспечение==

* Python >= 3.11
* Jupyter Notebook

==Список литературы==

1. Recommender Systems Handbook. Francesco Ricci et al, Springer, 2022

2. Hands-On Recommendation Systems with Python. Rounak Banik, 2018

3. Building Recommendations Systems in Python and JAX. Brian Bischof et al, 2018

4. Practical Recommender Systems. Kim Falk, 2019

5. Session-Based Recommender Systems Using Deep Learning. Reza Ravanmehr et al. Springer, 2024

6. Designing Machine Learning Systems. Chip Huyen, 2022

7. Designing Data-Intensive Applications. Martin Kleppmann, 2017

Рекомендательные системы 2025/26 - История изменений

imported>Marina Ananyeva: Migrated current public revision from wiki.cs.hse.ru