Интенсив подойдет:
-
Python-разработчикам чтобы разобраться в работе с рекомендательными моделями и получить практический опыт в их реализации.
-
Data-специалистам чтобы отточить навык применения статистики и машинного обучения для создания персонализированных рекомендаций.
-
ML-инженерам чтобы углубить знания в конкретной области машинного обучения и усовершенствовать навыки разработки рекомендаторов.
В программу входят:
-
Практика Научитесь использовать метрики для оценки рекомендательных моделей, чтобы обеспечить их непрерывное улучшение и оптимизацию.
-
Модели Рассмотрите три основные модели, которые используются в рекомендательных системах: сортировка по популярности, коллаборативная фильтрация и модели на основе контента.
-
Кейс Пройдете этапы выбора, обучения, оценки рекомендательной модели для электронной библиотеки и получите индивидуальный фидбек от лекторки.
ПРОГРАММА
-
01
03.08.2024 11:00
Метрики и оценки. Статистические подходы
- Рассмотрите различные виды рекомендательных моделей
- Узнаете главные вызовы и проблемы в построении рекомендаторов
- Увидите, какие метрики и оценки используются при подборе модели
- Овладеете статистическими подходами к рекомендаторам — сортировка по популярности, оценка Байеса
Практическое задание: построите рекомендатор на основе популярности и оценки Байеса.
-
02
04.08.2024 11:00
Коллаборативная фильтрация. Рекомендательные системы на основе контента
- Узнаете, как использовать коллаборативную фильтрацию для своих рекомендаторов — рейтинги, фильтрацию на основе пользователей, предложения, факторизацию матриц
- Освоите создание рекомендательных моделей на основе контента
- Рассмотрите шаги по дальнейшей работе с рекомендаторами: оптимизация и улучшение
Практическое задание: выберете один из разобранных методов лекции и примените к электронной библиотеке.
Лекторка:
![](https://robot-site-static.fra1.digitaloceanspaces.com/cc/ckeditor/landings/1188-yak-pobuduvati-rekomendaciynu-model-za-2-dni/opt/foto-68-new.webp)
Кристина
Исакова
- former Data Scientist в CHECK24, Holidu и FlixBus
- 6+ лет опыта на позиции Data Scientist
- имеет опыт в создании рекомендаторов для страховых компаний
- разрабатывала ML-модели прогнозирования, мониторинга метрик и поиска аномалий в данных
- преподавала физику и математику в Университете Генуи (Италия) и Гамбургском университете (Германия)
- выпустила более 100 студентов на курсах «Математика и статистика для Data Science» и Machine Learning
Регистрация