Умные рекомендации: от базовых алгоритмов до нейросетевых решений для увеличения продаж и удержания клиентов

Профиль аудитории:

ML-инженеры, data-аналитики, разработчики, продуктовые специалисты.

Предварительные требования:

Знание Python, навыки в pandas/numpy, понимание SQL, базовые знания ML (регрессии, классификации).

По окончании курса слушатели смогут:

• Реализовывать коллаборативные и контентные рекомендации
• Строить гибридные системы
• Использовать Autoencoder, Neural Collaborative Filtering (NCF), RNN
• Проводить оценку качества: RMSE, Precision@K, Recall@K, MRR, NDCG
• Создавать рекомендательные пайплайны с техникой A/B-тестирования
• Разворачивать модели, мониторить производительность

Модуль 1. Введение в рекомендательные системы

• Обзор: задачи, задачи бизнес-кейсы
• Типы рекомендаций: коллаборативная, контентная, гибридная
• Сбор данных: рейтинговые, поведенческие, контентные метаданные

Модуль 2. Коллаборативная фильтрация

• User‑based / Item‑based CF
• Матрица взаимодействий, меры сходства (косинус, корреляция)
• Спарсность, снижение размерности (SVD)

Модуль 3. Контентная рекомендация и гибриды

• Векторизация контента (TF-IDF, CountVectorizer)
• Меры похожести и алгоритмы
• Комбинация CF + контент (взвешивание, стэкинг)

Модуль 4. Оценка и метрики качества

• RMSE, MAE
• Precision@K, Recall@K, F1@K
• MRR, NDCG, MAP
• Он‑ и оффлайн‑оценка, cross‑validation, cold start

Модуль 5. Нейронные подходы I – Autoencoder CF

• Архитектура, кодировщик‑декодировщик
• Обучение на user‑item матрице
• Рекомендация через reconstruct

Модуль 6. Нейронные подходы II – Neural Collaborative Filtering (NCF)

• Embeddings для пользователей и items
• Мультисвязная сеть оценки взаимодействия
• Training & inference, оптимизация

Модуль 7. Секвенциальные рекомендации и RNN

• Понятие последовательных рекомендаций
• RNN/LSTM/GRU для предсказания следующего item
• Attention‑механизм, session‑based recommendation

Модуль 8. Advanced: Transformers, Deep Learning

• Применение Transformers (BERT-like)
• Self-attention для рекомендаций
• Последние исследования и state-of-the-art методы

Модуль 9. Внедрение и продакшн

• Архитектура сервиса рекомендаций (online/offline)
• API для выдачи рекомендаций
• Кэширование, масштабирование, мониторинг

Модуль 10. Тестирование и непрерывное улучшение

• A/B-тестирование, канареечные релизы, shadow deployment
• Мониторинг качества и drift
• Работа с пользователями, улучшение пайплайна