academy@academyit.ru
RS-ML
Машинное обучение и наука о данных
32 ак.часа
Рекомендательные системы
-
О КУРСЕКурс посвящён разработке рекомендательных систем на Python - от постановки задачи и подготовки данных до реализации baseline-моделей, оценки качества и проектирования продакшн-сервиса рекомендаций. Участники последовательно построят прикладную рекомендательную систему для реального сценария, сравнят несколько подходов, научатся выбирать метрики и разберут, как встроить рекомендации в цифровой продукт.
Технологии и инструменты, которыми будете владеть
A/B-тестирование
RMSE, Precision@K, Recall@K, MRR, NDCG
Autoencoder
Neural Collaborative Filtering (NCF)
RNN
Transformers (BERT-like)
ML-инженеры, data-аналитики, разработчики, продуктовые специалисты
Модуль 1. Где и зачем бизнесу нужны рекомендательные системы
Объём: 4 акад. часа
Что входит:
• Бизнес-кейсы: e-commerce, streaming, edtech, media, marketplace.
• Типы задач: similar items, personalized ranking, next best offer, continue watching / reading / learning.
• Связь между бизнес-целью и типом рекомендательной задачи.
• Типовые ошибки постановки задачи.
Практика: формулировка продуктового кейса и типа recommendation task.
Результат: таблица «бизнес-цель → тип рекомендации → входные данные → целевая метрика».
Модуль 2. Данные для рекомендаций и baseline-подходы
Объём: 4 акад. часа
Что входит:
• Явный и неявный feedback.
• User-item matrix и подготовка датасета.
• Popular items, heuristic и rule-based recommendations как baseline.
• Подготовка данных для экспериментов.
Практика: построение baseline-рекомендаций на Python.
Результат: baseline recommender и подготовленный датасет.
Модуль 3. Коллаборативная фильтрация
Объём: 4 акад. часа
Что входит:
• User-based и item-based collaborative filtering.
• Cosine similarity и correlation.
• Sparsity problem и ограничения memory-based подходов.
• Matrix factorization как следующий шаг.
Практика: реализация collaborative filtering и сравнение user-based / item-based вариантов.
Результат: рабочая CF-модель и сравнительная таблица подходов.
Модуль 4. Content-based и hybrid recommendation
Объём: 4 акад. часа
Что входит:
• Когда content-based полезнее collaborative filtering.
• Построение признаков объектов: TF-IDF, CountVectorizer, metadata features.
• Similarity между объектами.
• Hybrid recommendation через blending и rule-based merge.
Практика: построение content-based рекомендации и сборка simple hybrid recommender.
Результат: hybrid recommender для прикладного кейса.
Модуль 5. Оценка качества рекомендательной системы
Объём: 4 акад. часа
Что входит:
• Почему accuracy не подходит для recommender systems.
• RMSE и MAE для rating prediction.
• Ranking metrics: Precision@K, Recall@K, MAP, MRR, NDCG.
• Offline evaluation и корректный split данных.
Практика: подсчёт и сравнение метрик для нескольких моделей.
Результат: матрица качества моделей и шаблон оценки recommender system.
Модуль 6. Улучшение рекомендаций: embeddings, implicit feedback, neural approaches
Объём: 4 акад. часа
Что входит:
• Где заканчиваются возможности классического CF.
• Embeddings пользователей и объектов.
• Implicit feedback models.
• Neural Collaborative Filtering как пример продвинутого подхода.
Практика: разбор embedding-based или NCF-пайплайна и сравнение с классическими подходами.
Результат: понимание границы между baseline, classical и neural recommender.
Модуль 7. Архитектура recommendation service
Объём: 4 акад. часа
Что входит:
• Offline training, candidate generation, ranking, API serving.
• Online vs offline recommendations.
• Кэширование, обновление выдачи и хранение результатов.
• Логирование событий для повторного обучения.
Практика: проектирование архитектурной схемы recommendation service.
Результат: architecture blueprint recommendation service.
Модуль 8. Тестирование, запуск и улучшение после релиза
Объём: 4 акад. часа
Что входит:
• A/B testing для рекомендаций.
• Online-метрики и бизнес-метрики.
• Обратная связь пользователей.
• Мониторинг качества после релиза и финальная сборка проекта.
Практика: подготовка и защита итогового мини-проекта.
Результат: законченный прикладной проект рекомендательной системы.
-
Необходимая подготовка
- уверенное знание Python;
- опыт работы с pandas / numpy;
- базовое владение SQL;
- понимание основ machine learning;
- желательно: опыт работы с табличными данными и feature engineering.
-
По окончании курса слушатели смогут:
- формулировать задачу рекомендаций как продуктовую и ML-задачу;
- подготавливать user-item данные и признаки для обучения;
- реализовывать baseline-рекомендации;
- строить collaborative, content-based и hybrid recommenders;
- выбирать и интерпретировать метрики качества;
- учитывать cold start и sparsity;
- проектировать архитектуру recommendation service;
- понимать, как тестировать и улучшать систему после запуска.
