Курс на Stepik
Обложка курса «Основы рекомендательных систем (RecSys)» на Stepik
1 890 ₽

Основы рекомендательных систем (RecSys) ★ 5.000

Открыть на
STEPIK.ORG

Комплексный путеводитель по миру RecSys: от простых эвристик до нейросетей и стратегий обучения с подкреплением. В курсе «Основы рекомендательных систем (RecSys)» вы пройдете путь от классических алгоритмов (SVD, ALS) до современных архитектур (Two-Tower, Transformers) и научитесь строить системы, которые действительно понимают пользователя.

Показатель Текущие показатели Рост
Значение 🏆 Рейтинг 3 дн 7 дн 30 дн
Количество учеников на курсе «Основы рекомендательных систем (RecSys)»Учеников на курсе 10
Сертификаты, выданные на курсе «Основы рекомендательных систем (RecSys)»Сертификатов выдано 3
Отзывы о курсе «Основы рекомендательных систем (RecSys)»Отзывов получено 1
Рейтинг курса «Основы рекомендательных систем (RecSys)»Рейтинг курса 5.000
Уроки в курсе «Основы рекомендательных систем (RecSys)»Количество уроков 28
Тесты в курсе «Основы рекомендательных систем (RecSys)»Количество квизов 53
Время прохождения курса «Основы рекомендательных систем (RecSys)»Время прохождения курса —
Стоимость курса «Основы рекомендательных систем (RecSys)»Стоимость курса 1 890 ₽ —
Обновления курса «Основы рекомендательных систем (RecSys)»Обновления курса — —
Дата публикации курса «Основы рекомендательных систем (RecSys)»Дата публикации курса — ———
Последнее обновление курса «Основы рекомендательных систем (RecSys)»Последнее обновление — ———

Содержание курса

Разделы в курсе «Основы рекомендательных систем (RecSys)» 9 разделов Уроки в курсе «Основы рекомендательных систем (RecSys)» 28 уроков Тесты в курсе «Основы рекомендательных систем (RecSys)» 53 теста Время прохождения курса «Основы рекомендательных систем (RecSys)» 1 ч. Последнее обновление курса «Основы рекомендательных систем (RecSys)» обн. 7 июня 2026

Введение

4 урока
1. Мир рекомендаций: Зачем, кому и как? ↗
2. RecSys как задача ранжирования ↗
3. Виды данных: Features и Логи ↗
4. Бизнес-контекст: от кликов к прибыли ↗

Рекомендательные системы в реальном мире

3 урока
1. Двухстадийная воронка: Отбор кандидатов и ранжирование ↗
2. Векторный поиск (ANN): зачем нужны Faiss, ScaNN и HNSW ↗
3. Проблема холодного старта для новых пользователей и товаров ↗

Метрики и базовые подходы

3 урока
1. Оффлайн-метрики: HitRate, Precision/Recall, nDCG, MRR, Novelty. ↗
2. Бизнес-метрики: CTR, GMV, Retention, LTV. ↗
3. Базовые подходы: Popularity, Most Recent, Association Rules. ↗

Контентные подходы (Content-Based)

4 урока
1. Построение профилей объектов: от тегов до текстовых описаний. ↗
2. Векторизация контента ↗
3. Меры сходства: Косинусное расстояние, мера Жаккара. ↗
4. Плюсы и минусы контентного подхода ↗

Классическая коллаборативная фильтрация

4 урока
1. Memory-based: User-to-User и Item-to-Item подходы. ↗
2. Матричные разложения: SVD, ALS ↗
3. Оптимизация ранжирования: BPR (Bayesian Personalized Ranking) ↗
4. Факторизационные машины (FM) как переход к нейросетям. ↗

Нейросетевые рекомендеры: Базовые модели

3 урока
1. Эмбеддинги: как «запихнуть» ID пользователя и товара в вектор. ↗
2. Neural Collaborative Filtering (NCF) ↗
3. Two-Tower архитектура (DSSM) ↗

Знакомство с современными архитектурами

3 урока
1. Sequential рекомендации: BERT4Rec и SASRec ↗
2. LLM в рекомендациях ↗
3. Гибридные системы: Контент и коллаборативная фильтрация вместе ↗

Разнообразие и Reinforcement Learning (Intro)

3 урока
1. Разнообразие: Простые методы фильтрации выдачи ↗
2. Многорукие бандиты: Epsilon-greedy и Thompson Sampling ↗
3. На пути к Reinforcement Learning ↗

Заключение

1 урок
1. Итоги курса ↗