Інтенсив підійде:
-
Python-розробникам щоб розібратися в роботі з рекомендаційними моделями та набути практичного досвіду в їх реалізації.
-
Data-спеціалістам щоб відточити навичку застосування статистики й машинного навчання для створення персоналізованих рекомендацій.
-
ML-інженерам щоб поглибити знання в конкретній галузі машинного навчання та вдосконалити навички розробки рекомендаторів.
До програми входять:
-
Практика Навчитеся використовувати метрики для оцінки рекомендаційних моделей, щоб забезпечити їхнє неперервне покращення та оптимізацію.
-
Моделі Розглянете три основні моделі, які використовують у рекомендаційних системах: сортування за популярністю, колаборативна фільтрація та моделі на основі контенту.
-
Кейс Пройдете етапи вибору, навчання, оцінки рекомендаційної моделі для електронної бібліотеки та отримаєте індивідуальний фідбек від лекторки.
ПРОГРАМА
-
01
03.08.2024 11:00
Метрики та оцінки. Статистичні підходи
- Розглянете різні види рекомендаційних моделей
- Дізнаєтеся головні виклики й проблеми у побудові рекомендаторів
- Побачите, які метрики й оцінки використовувати під час підбору моделі
- Опануєте статистичні підходи до рекомендаторів — сортування за популярністю, оцінка Баєса
Практичне завдання: побудуєте рекомендатор на основі популярності та оцінки Баєса.
-
02
04.08.2024 11:00
Колаборативна фільтрація. Рекомендаційні системи на основі контенту
- Дізнаєтесь, як застосовувати колаборативну фільтрацію для своїх рекомендаторів — рейтинги, фільтрацію на основі користувачів, пропозиції, факторизацію матриць
- Опануєте створення рекомендаційних моделей на основі контенту
- Розглянете кроки подальшої роботи з рекомендаторами: оптимізація і покращення
Практичне завдання: оберете один із розібраних на лекції методів та застосуєте до електронної бібліотеки.
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
Ісакова
- former Data Scientist у CHECK24, Holidu та FlixBus
- 6+ років досвіду на позиції Data Scientist
- має досвід у створенні рекомендаторів для страхових компаній
- розробляла ML-моделі прогнозування, моніторингу метрик та пошуку аномалій у даних
- викладала фізику та математику в Університеті Генуї (Італія) та Гамбурзькому університеті (Німеччина)
- випустила понад 100 студентів на курсах «Математика та статистика для Data Science» та Machine Learning