5 дней
3 часа каждый день
В Сколтехе
или у заказчика
или у заказчика
«Рекомендательные системы»
Научитесь использовать машинное обучение для более точных рекомендаций клиентам
Зачем нужны рекомендательные системы?
Рекомендательные системы позволяют создавать системы, которые предлагают товары и услуги клиентам на основании информации о клиенте и истории взаимодействия с ним.
В 2012 продажи Amazon выросли до 12.83 миллиардов долларов с 9.9 миллиардов. Большая часть роста связана с внедрением интеллектуальных рекомендательных систем на всех стадиях взаимодействия с пользователем.
Внедрение системы на основе машинного обучения позволило увеличить количество выданных кредитных карт на 80%, а дебетовых - на 50% по сравнению с базовым алгоритмом.
Источник 80% просмотров на сайте компании - персонализированные рекомендации. Их использование позволило в 4 раза увеличить количество эффективных рекомендаций.
О курсе
Цель данного курса – научить строить интеллектуальные рекомендательные системы.
В результате освоения курса слушатели смогут понять, какие задачи бизнеса можно решить с помощью интеллектуальных рекомендательных систем и как это сделать. Курс рассказывает, чем построение рекомендательных систем отличается от решения других задач машинного обучения, как измерять качество результата.- на задачи бизнеса, как учитывать контекстную информацию в моделях.
Курс проводится в течение 5 дней. Каждый день занятие длится 3 часа. В курсе используется язык программирования Python.
В результате освоения курса слушатели смогут понять, какие задачи бизнеса можно решить с помощью интеллектуальных рекомендательных систем и как это сделать. Курс рассказывает, чем построение рекомендательных систем отличается от решения других задач машинного обучения, как измерять качество результата.- на задачи бизнеса, как учитывать контекстную информацию в моделях.
Курс проводится в течение 5 дней. Каждый день занятие длится 3 часа. В курсе используется язык программирования Python.
Содержание курса
День 1
1. Что такое рекомендательные системы.
a. Ключевые вызовы, тренды и нерешенные проблемы.
b. Особенности рекомендательных систем в сравнении с
другими задачами машинного обучения.
c. Полезные материалы и программные инструменты для
самостоятельного погружения в область.
2. Простейшие виды рекомендательных систем.
a. Типы входных данных. Явные и неявные предпочтения. Роль сопроводительной информации.
b. Особенности и подходы для работы с неполными данными.
c. Неперсонализированные модели. Модели на основе контентной информации.
3. Семинар: краткое введение в необходимые инструменты на Питоне, работа с лекционным материалом
a. Ключевые вызовы, тренды и нерешенные проблемы.
b. Особенности рекомендательных систем в сравнении с
другими задачами машинного обучения.
c. Полезные материалы и программные инструменты для
самостоятельного погружения в область.
2. Простейшие виды рекомендательных систем.
a. Типы входных данных. Явные и неявные предпочтения. Роль сопроводительной информации.
b. Особенности и подходы для работы с неполными данными.
c. Неперсонализированные модели. Модели на основе контентной информации.
3. Семинар: краткое введение в необходимые инструменты на Питоне, работа с лекционным материалом
День 2
1. Особенности оценки качества рекомендательных систем.
a. Метрики качества. Ранжирующие метрики, метрики релевантности, метрики ошибок. Нестандартные метрики оценки качества: новизна, неожиданность и прочие. Уроки, выученные на практике.
b. Проблема смещенности наблюдаемых предпочтений, эффект missing not at random (MNAR).
c. Подходы к перекрестному тестированию.
2. Оффлайн и онлайн метрики. Соотношение с бизнес- показателями.
3. Задачи коллаборативной фильтрации.
a. Модели класса memory-based.
b. Схемы построения, особенности применения.
c. Ключевые особенности и ограничения моделей. Вопросы масштабируемости.
4. Практическая сессия: построение и оценка собственных моделей.
a. Метрики качества. Ранжирующие метрики, метрики релевантности, метрики ошибок. Нестандартные метрики оценки качества: новизна, неожиданность и прочие. Уроки, выученные на практике.
b. Проблема смещенности наблюдаемых предпочтений, эффект missing not at random (MNAR).
c. Подходы к перекрестному тестированию.
2. Оффлайн и онлайн метрики. Соотношение с бизнес- показателями.
3. Задачи коллаборативной фильтрации.
a. Модели класса memory-based.
b. Схемы построения, особенности применения.
c. Ключевые особенности и ограничения моделей. Вопросы масштабируемости.
4. Практическая сессия: построение и оценка собственных моделей.
День 3
1. Коллаборативная фильтрация: продолжение.
a. Базовые модели класса baseline predictors.
b. Методы снижения размерностей и задача малоранговой аппроксимации матриц для алгоритмов построения рекомендаций.
c. Базовые алгоритмы построения моделей скрытых факторов. Различные способы интерпретации моделей.
d. Вопросы эффективности и масштабируемости. Онлайн дообучение и работа в высокодинамичном окружении.
2. Практическая сессия: продвинутые методы коллаборативной фильтрации
a. Базовые модели класса baseline predictors.
b. Методы снижения размерностей и задача малоранговой аппроксимации матриц для алгоритмов построения рекомендаций.
c. Базовые алгоритмы построения моделей скрытых факторов. Различные способы интерпретации моделей.
d. Вопросы эффективности и масштабируемости. Онлайн дообучение и работа в высокодинамичном окружении.
2. Практическая сессия: продвинутые методы коллаборативной фильтрации
День 4
1. Продвинутые методы построения моделей факторизации.
a. От матричной факторизации к обобщенным билинейным формам. Модель SVDFeature.
b. Факторизационные машины.
c. Учет дополнительной информации в модели. Гибридные алгоритмы.
2. Практическая сессия: использование продвинутых методов построения моделей факторизации в рекомендательных системах.
a. От матричной факторизации к обобщенным билинейным формам. Модель SVDFeature.
b. Факторизационные машины.
c. Учет дополнительной информации в модели. Гибридные алгоритмы.
2. Практическая сессия: использование продвинутых методов построения моделей факторизации в рекомендательных системах.
День 5
1. Учет контекстной информации в моделях.
a. Исторические особенности, эвристические подходы, item- splitting.
b. Обобщение матричных методов до моделей более высокой размерности. Понятие тензора. Виды и особенности тензорных разложений.
c. Применение тензорных методов в рекомендательных системах.
2. Практическая сессия: построение эффективной рекомендательной модели в командах.
a. Исторические особенности, эвристические подходы, item- splitting.
b. Обобщение матричных методов до моделей более высокой размерности. Понятие тензора. Виды и особенности тензорных разложений.
c. Применение тензорных методов в рекомендательных системах.
2. Практическая сессия: построение эффективной рекомендательной модели в командах.
Команда курса
Евгений Фролов
Аспирант Сколковского института науки и технологий
Евгения создает и применяет на практике продвинутые методы работы с рекомендательными системами. Он пишет научные статьи и докладывает на престижных научных конференциях в этой области.
Евгений развивает и поддерживает разработанный им программный комплекс Polara с открытым исходным кодом для быстрого прототипирования и оценки качества рекомендательных алгоритмов. Евгений работал в ИТ более пяти лет, управляя инфраструктурными проектами для средних и крупных компаний. Например, он сотрудничает с компанией prudSys.
Евгений читает лекции по рекомендательным системам в Сколтехе и МФТИ, он создатель и преподаватель курса по рекомендательным системам в рамках специализации Big Data for Data Engineers на платформе онлайн-образования Coursera. Он проводил тренинги и для технических специалистов, в том числе в Сбербанке.
Евгения создает и применяет на практике продвинутые методы работы с рекомендательными системами. Он пишет научные статьи и докладывает на престижных научных конференциях в этой области.
Евгений развивает и поддерживает разработанный им программный комплекс Polara с открытым исходным кодом для быстрого прототипирования и оценки качества рекомендательных алгоритмов. Евгений работал в ИТ более пяти лет, управляя инфраструктурными проектами для средних и крупных компаний. Например, он сотрудничает с компанией prudSys.
Евгений читает лекции по рекомендательным системам в Сколтехе и МФТИ, он создатель и преподаватель курса по рекомендательным системам в рамках специализации Big Data for Data Engineers на платформе онлайн-образования Coursera. Он проводил тренинги и для технических специалистов, в том числе в Сбербанке.
Иван Оселедец
Соавтор программы
Доцент Сколковского института науки и технологий, доктор ф.-м. наук
Иван - один из ведущих российских ученых в области искусственного интеллекта с h-индексом 29. занимается разработкой технологий для решения современных задач анализа данных, выполняет проекты для индустрии, например, для Schlumberger и РусАгро.
У Ивана обширный преподавательский опыт в академических университетах (МФТИ, ИВМ РАН, Сколтех и др.), он проводил лекции и семинары для топ-менеджеров ведущих российских компаний, в том числе в банке России и администрации Президента РФ.
Доцент Сколковского института науки и технологий, доктор ф.-м. наук
Иван - один из ведущих российских ученых в области искусственного интеллекта с h-индексом 29. занимается разработкой технологий для решения современных задач анализа данных, выполняет проекты для индустрии, например, для Schlumberger и РусАгро.
У Ивана обширный преподавательский опыт в академических университетах (МФТИ, ИВМ РАН, Сколтех и др.), он проводил лекции и семинары для топ-менеджеров ведущих российских компаний, в том числе в банке России и администрации Президента РФ.
Особенности курса
Преподаватели
Преподаватели курса имеют значительный опыт решения задач в индустрии и преподавания как в рамках академических, так и в рамках индустриальных проектов партнеров Сколтеха.
Гибкость
Курс может проводиться как на территории кампуса Сколковского института науки
и технологий, так и на площадке заказчика. Программа адаптируется под требования и задачи заказчика.
и технологий, так и на площадке заказчика. Программа адаптируется под требования и задачи заказчика.
Средства оценки качества
Программа курса включает домашние задания, финальный проект и контрольную работу
по итогам курса*.
*Компаниям-заказчикам рекомендуется выделить сотрудникам достаточно времени для полноценного прохождения курса и выполнения заданий.
по итогам курса*.
*Компаниям-заказчикам рекомендуется выделить сотрудникам достаточно времени для полноценного прохождения курса и выполнения заданий.
Интенсивность работы
Рекомендованная продолжительность программы — пять дней, по 3 часа в день раз в неделю. Оптимальное количество слушателей — 10-20 человек.
Согласование программы с заказчиком
Задача Сколтеха — провести максимально эффективный курс, который поможет компании улучшить показатели в различных областях.
Программа может быть адаптирована под потребности конкретного заказчика.
Программа может быть адаптирована под потребности конкретного заказчика.
Учет уровня слушателей
Базовый курс разработан в расчете на участников с высшим образованием
и опытом программирования, однако программа может быть адаптирована под слушателей любого уровня подготовки с учетом запросов компании-заказчика.
и опытом программирования, однако программа может быть адаптирована под слушателей любого уровня подготовки с учетом запросов компании-заказчика.
Выбор общего уровня группы
Наиболее эффективны курсы, которые проводятся в группе с участниками схожего уровня подготовки. Курсы для сотрудников с гуманитарными и техническими функциями в компании могут быть проведены отдельно.
Адаптация содержания и вида программы
Программа курса может быть изменена после обсуждения целей заказчика. Продолжительность курса может быть увеличена или сокращена. Курс может проводиться в формате еженедельных занятий или в формате ежедневного интенсива. Во время курса может быть сделан упор на разбор практических задач анализа данных, возникающих в конкретной сфере.
Узнайте про курс больше
Если вас заинтересовала возможность проведения курсов
по байесовским методам анализа данных, пожалуйста, заполните форму по ссылке или напишите по адресу fedu@skoltech.ru
по байесовским методам анализа данных, пожалуйста, заполните форму по ссылке или напишите по адресу fedu@skoltech.ru
