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 3
Сертификаты, выданные на курсе «Основы рекомендательных систем (RecSys)»Сертификатов выдано 2
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
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 Последнее обновление курса «Основы рекомендательных систем (RecSys)» обн. 7 июня 2026

1. Введение

4 урока
Закрытый
1.1 Мир рекомендаций: Зачем, кому и как? ↗
2
2
-
0
Закрытый
1.2 RecSys как задача ранжирования ↗
2
1
-
0
Закрытый
1.3 Виды данных: Features и Логи ↗
2
2
-
0
Закрытый
1.4 Бизнес-контекст: от кликов к прибыли ↗
2
2
-
0

2. Рекомендательные системы в реальном мире

3 урока
Закрытый
2.1 Двухстадийная воронка: Отбор кандидатов и ранжирование ↗
2
2
-
0
Закрытый
2.2 Векторный поиск (ANN): зачем нужны Faiss, ScaNN и HNSW ↗
2
1
-
0
Закрытый
2.3 Проблема холодного старта для новых пользователей и товаров ↗
2
1
-
0

3. Метрики и базовые подходы

3 урока
Закрытый
3.1 Оффлайн-метрики: HitRate, Precision/Recall, nDCG, MRR, Novelty. ↗
2
2
-
0
Закрытый
3.2 Бизнес-метрики: CTR, GMV, Retention, LTV. ↗
2
2
-
0
Закрытый
3.3 Базовые подходы: Popularity, Most Recent, Association Rules. ↗
2
1
-
0

4. Контентные подходы (Content-Based)

4 урока
Закрытый
4.1 Построение профилей объектов: от тегов до текстовых описаний. ↗
2
1
-
0
Закрытый
4.2 Векторизация контента ↗
2
1
-
0
Закрытый
4.3 Меры сходства: Косинусное расстояние, мера Жаккара. ↗
2
1
-
0
Закрытый
4.4 Плюсы и минусы контентного подхода ↗
2
1
-
0

5. Классическая коллаборативная фильтрация

4 урока
Закрытый
5.1 Memory-based: User-to-User и Item-to-Item подходы. ↗
2
1
-
0
Закрытый
5.2 Матричные разложения: SVD, ALS ↗
2
1
-
0
Закрытый
5.3 Оптимизация ранжирования: BPR (Bayesian Personalized Ranking) ↗
2
1
-
0
Закрытый
5.4 Факторизационные машины (FM) как переход к нейросетям. ↗
2
1
-
0

6. Нейросетевые рекомендеры: Базовые модели

3 урока
Закрытый
6.1 Эмбеддинги: как «запихнуть» ID пользователя и товара в вектор. ↗
2
1
-
0
Закрытый
6.2 Neural Collaborative Filtering (NCF) ↗
2
1
-
0
Закрытый
6.3 Two-Tower архитектура (DSSM) ↗
2
1
-
0

7. Знакомство с современными архитектурами

3 урока
Закрытый
7.1 Sequential рекомендации: BERT4Rec и SASRec ↗
2
1
-
0
Закрытый
7.2 LLM в рекомендациях ↗
2
1
-
0
Закрытый
7.3 Гибридные системы: Контент и коллаборативная фильтрация вместе ↗
2
1
-
0

8. Разнообразие и Reinforcement Learning (Intro)

3 урока
Закрытый
8.1 Разнообразие: Простые методы фильтрации выдачи ↗
2
1
-
0
Закрытый
8.2 Многорукие бандиты: Epsilon-greedy и Thompson Sampling ↗
2
1
-
0
Закрытый
8.3 На пути к Reinforcement Learning ↗
2
2
-
0

9. Заключение

1 урок
Закрытый
9.1 Итоги курса ↗
2
2
-
0