Recommendation Systems

Глубокий курс по построению рекомендательных систем для анализа поведения пользователей и персонализированных рекомендаций.

После курса вы сможете:

● Создавать коллаборативные и контентные рекомендации;

● Использовать гибридные подходы;

● Оценивать качество рекомендательных систем;

● Применять Python для построения реальных проектов.

Предварительные требования

знание Python

Часть 1

1. Основы рекомендательных систем

● Что такое персонализация

● Типы рекомендаций

● Применение в e-commerce, медиа, fintech

● Offline vs Online рекомендации

2. Типы данных

● Explicit feedback (рейтинги)

● Implicit feedback (клики, просмотры)

● Матрица взаимодействий user-item

● Sparsity problem

3. Метрики качества

● Precision@K

● Recall@K

● MAP

● NDCG

● RMSE

● A/B тестирование рекомендаций

Часть 2

4. User-based Collaborative Filtering

● Косинусное сходство

● Pearson correlation

● Нахождение соседей

● Ограничения подхода

5. Item-based Collaborative Filtering

● Сходство объектов

● Предсказание рейтингов

● Масштабируемость

6. Работа с разреженными матрицами

● Sparse matrices

● Оптимизация вычислений

Часть 3

7. Основы линейной алгебры

● Представление user-item матрицы

● Разложение матриц

8. SVD и Matrix Factorization

● Идея латентных факторов

● SVD decomposition

● ALS (Alternating Least Squares)

● SGD для факторизации

9. Регуляризация и переобучение

● Bias terms

● Regularization

● Cold-start проблема

Часть 4

10. Content-based Filtering

● Векторизация признаков

● Косинусное сходство

● Работа с текстовыми и категориальными данными

11. Гибридные модели

● Weighted hybrid

● Switching hybrid

● Feature combination

12. Deep Learning в рекомендациях

● Neural Collaborative Filtering

● Embedding layers

● Wide & Deep модели

Часть 5

13. Архитектура системы рекомендаций

● Batch vs real-time рекомендации

● Feature store

● Обновление модели

14. Оценка в реальном продукте

● Online метрики

● A/B тестирование

● Интерпретация результатов