Полная программа
Подробная программа теперь отображается как роадмап: проходите темы по этапам, открывайте материалы и отмечайте прогресс.
Рекомендательные системы
От коллаборативной фильтрации до production-ready двухстадийной архитектуры — всё что нужно для работы с RecSys
Прогресс
0 из 16 темОсновы RecSys
0/3Разбираемся зачем нужны рекомендации, как измерять их качество и чем оффлайн метрики отличаются от A/B теста
Введение в RecSys
Разбираемся зачем нужны рекомендации и какие подходы существуют
Метрики рекомендаций
Учимся оценивать качество рекомендаций — от Precision@K до NDCG
Оффлайн vs Онлайн оценка
Понимаем разницу между оффлайн метриками и реальным A/B тестом
Классические подходы
0/4Осваиваем фундамент RecSys — от коллаборативной фильтрации и матричных разложений до гибридных моделей
Коллаборативная фильтрация
Классика RecSys — рекомендуем на основе похожих пользователей и товаров
Контентная фильтрация
Рекомендуем по свойствам товаров — когда важен контент, а не поведение
Матричные разложения
Раскладываем матрицу user-item на латентные факторы — база всех современных подходов
Гибридные подходы
Комбинируем коллаборативные и контентные подходы для лучшего качества
Проблемы и решения
0/3Разбираемся с реальными проблемами RecSys — холодный старт, popularity bias и implicit feedback
Холодный старт
Что делать когда нет данных — новый пользователь или новый товар
Popularity Bias
Боремся с перекосом к популярным товарам — IPS, LOG-Q коррекция и другие методы
Implicit Feedback
Учимся работать с неявной обратной связью — кликами, просмотрами, временем
Нейросетевые подходы
0/3Переходим к deep learning в RecSys — от NCF и двухбашенок до трансформеров и графовых нейросетей
Neural CF
От матричных разложений к нейросетям — NCF, DeepFM, двухбашенки
Sequence-based модели
Рекомендуем с учётом порядка действий — от RNN к трансформерам
Graph-based подходы
Графовые нейросети для рекомендаций — когда связи между объектами важны
Production RecSys
0/3Разбираемся как устроены рекомендации в продакшене — архитектура, фреймворки и real-time системы
Двухстадийная архитектура
Как устроены рекомендации в проде — отбор кандидатов + ранжирование
Фреймворки
Обзор инструментов — от LightFM для старта до RecBole для экспериментов
Real-time рекомендации
Рекомендации в реальном времени — feature stores, стриминг, инфраструктура