Курс на Stepik
Обложка курса «Продвинутые рекомендательные системы (Recsys)» на Stepik
1 890 ₽

Продвинутые рекомендательные системы (Recsys) ★ 5.000

Открыть на
STEPIK.ORG

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.

Показатель Текущие показатели Рост
Значение 🏆 Рейтинг 3 дн 7 дн 30 дн
Количество учеников на курсе «Продвинутые рекомендательные системы (Recsys)»Учеников на курсе 4
Сертификаты, выданные на курсе «Продвинутые рекомендательные системы (Recsys)»Сертификатов выдано 1
Отзывы о курсе «Продвинутые рекомендательные системы (Recsys)»Отзывов получено 1
Рейтинг курса «Продвинутые рекомендательные системы (Recsys)»Рейтинг курса 5.000
Уроки в курсе «Продвинутые рекомендательные системы (Recsys)»Количество уроков 26
Тесты в курсе «Продвинутые рекомендательные системы (Recsys)»Количество квизов 72
Стоимость курса «Продвинутые рекомендательные системы (Recsys)»Стоимость курса 1 890 ₽ —
Обновления курса «Продвинутые рекомендательные системы (Recsys)»Обновления курса — —
Дата публикации курса «Продвинутые рекомендательные системы (Recsys)»Дата публикации курса — ———
Последнее обновление курса «Продвинутые рекомендательные системы (Recsys)»Последнее обновление — ———
Сложность normal — ———

Содержание курса

Разделы в курсе «Продвинутые рекомендательные системы (Recsys)» 10 разделов Уроки в курсе «Продвинутые рекомендательные системы (Recsys)» 26 уроков Тесты в курсе «Продвинутые рекомендательные системы (Recsys)» 72 теста Последнее обновление курса «Продвинутые рекомендательные системы (Recsys)» обн. 10 июня 2026

1. Введение

1 урок
Открытый
1.1 Введение ↗
4
4
-
0

2. Нейросетевые рекомендеры I: Продвинутое ранжирование

3 урока
Открытый
2.1 Deep Interest Networks (DIN) & DIEN ↗
2
2
-
0
Закрытый
2.2 Продвинутое ранжирование класса SotA: DCN v2 и xDeepFM ↗
2
2
-
0
Закрытый
2.3 Multi-Task Learning (MTL): MMoE, PLE и ESMM ↗
2
2
-
0

3. Нейросетевые рекомендеры II: Sequence & Динамика сессий

3 урока
Закрытый
3.1 Математика SASRec и BERT4Rec ↗
3
2
-
0
Закрытый
3.2 Долгосрочный и Краткосрочный контекст: BST ↗
2
2
-
0
Закрытый
3.3 Проблема сдвига данных (Data Shift) во времени ↗
2
2
-
0

4. Индустриальный масштаб: Сжатие эмбеддингов и High-Load

3 урока
Закрытый
4.1 Терабайтные модели: Meta DLRM и Sparse-таблицы ↗
3
2
-
0
Закрытый
4.2 Сжатие эмбеддингов: Прунинг, квантизация, хэш ↗
2
2
-
0
Закрытый
4.3 Multi-stage воронка в сборе: Проектирование сквозного пайплайна ↗
2
1
-
0

5. Графовые нейросети (GNN) в рекомендациях

3 урока
Закрытый
5.1 Графы: Случайные блуждания DeepWalk и Node2Vec ↗
2
1
-
0
Закрытый
5.2 LightGCN: Умное упрощение графовых сетей ↗
2
1
-
0
Закрытый
5.3 PinSage (Pinterest): Масштабирование графовых сетей в BigTech ↗
2
2
-
0

6. Большие языковые модели нового поколения (Generative RecSys)

3 урока
Закрытый
6.1 In-Context ранжирование: Промпт-инжиниринг в RecSys ↗
2
1
-
0
Закрытый
6.2 Generative Retrieval: Генерация семантических ID ↗
2
1
-
0
Закрытый
6.3 Fine-tuning LLM под recsys: LoRA, QLoRA и бизнес-выравнивание ↗
2
1
-
0

7. Продвинутый Re-ranking, Разнообразие и Валидация

3 урока
Закрытый
7.1 Determinantal Point Processes (DPP): релевантность и новизна ↗
3
1
-
0
Закрытый
7.2 Listwise-ранжирование: Учет взаимного влияния в UI ↗
2
1
-
0
Закрытый
7.3 Off-Policy Evaluation: Оценка моделей по логам и IPS ↗
2
1
-
0

8. Сессионные рекомендации и Reinforcement Learning (Deep RL)

3 урока
Закрытый
8.1 RecSys как Марковский процесс принятия решений (MDP) ↗
2
1
-
0
Закрытый
8.2 Deep Q-Networks (DQN) в рекомендациях. Адаптация к смене трендов ↗
2
1
-
0
Закрытый
8.3 Actor-Critic подходы ↗
2
1
-
0

9. Кросс-доменные архитектуры и устойчивость RecSys

3 урока
Закрытый
9.1 Cross-Domain RecSys: Перенос знаний между доменами ↗
3
2
-
0
Закрытый
9.2 Privacy-Preserving & Federated RecSys ↗
2
1
-
0
Закрытый
9.3 Интерпретируемость: Explainable RecSys и LLM ↗
2
1
-
0

10. Заключение

1 урок
Закрытый
10.1 Итоги курса ↗
3
3
-
0