Чему вы научитесь
- Проектировать и оптимизировать трехстадийные воронки ранжирования с выделенным этапом Re-ranking (L3).
- Использовать детерминантные точечные процессы (DPP) для математически обоснованного управления разнообразием.
- Моделировать взаимное влияние элементов на экране смартфона через Listwise Autoregressive подходы.
- Применять графовые нейросети (LightGCN, PinSage) для извлечения сложных структурных связей.
- Переходить от жадной оптимизации CTR к максимизации долгосрочного LTV методами Reinforcement Learning (DQN, SAC, DDPG).
- Проводить причинно-следственную Off-Policy валидацию (OPE/IPS) на основе исторических логов без риска для продакшена.
- Реализовывать кросс-доменный трансфер знаний (Cross-Domain RecSys) в условиях асимметрии данных.
- Выявлять и блокировать скоординированные атаки накрутки популярных товаров (Shilling Attacks).
- Обучать рекомендательные модели локально на девайсах пользователей через Federated Learning.
- Интегрировать LLM и Графы Знаний для генерации естественных, интерпретируемых объяснений (Explainable RecSys).
О курсе
Глубокое погружение в SOTA-архитектуры BigTech: от трехстадийного ранжирования и графовых нейросетей (GNN) до Reinforcement Learning и конфиденциальных On-device вычислений.
В курсе «Продвинутые рекомендательные системы (RecSys)» вы пройдете путь от оптимизации воронки переранжирования (L3) до построения устойчивых экосистемных движков, максимизирующих долгосрочный LTV и защищенных от состязательных атак.
Для кого этот курс
Middle/Senior Data Scientists и ML-инженеры, стремящиеся освоить State-of-the-Art подходы и занять позицию Архитектора рекомендательных систем.
Tech Lead'ы и Разработчики высоконагруженных систем, которым необходимо масштабировать текущие рекомендательные воронки и внедрять продвинутую бизнес-логику.
Продуктовые аналитики и Product Owner'ы крупных платформ, желающие глубоко разобраться в механизмах оптимизации долгосрочного LTV, удержания (Retention) и методах Off-Policy валидации.
Начальные требования
-
Уверенное владение базой Recsys: знание классических подходов (коллаборативная фильтрация, матричные разложения) и понимание устройства двухстадийной воронки ранжирования (Retrieval + Scoring).
-
Знакомство с основами машинного обучения
4