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 8
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

Введение

1 урок
1. Введение

Нейросетевые рекомендеры I: Продвинутое ранжирование

3 урока
1. Deep Interest Networks (DIN) & DIEN
2. Продвинутое ранжирование класса SotA: DCN v2 и xDeepFM
3. Multi-Task Learning (MTL): MMoE, PLE и ESMM

Нейросетевые рекомендеры II: Sequence & Динамика сессий

3 урока
1. Математика SASRec и BERT4Rec
2. Долгосрочный и Краткосрочный контекст: BST
3. Проблема сдвига данных (Data Shift) во времени

Индустриальный масштаб: Сжатие эмбеддингов и High-Load

3 урока
1. Терабайтные модели: Meta DLRM и Sparse-таблицы
2. Сжатие эмбеддингов: Прунинг, квантизация, хэш
3. Multi-stage воронка в сборе: Проектирование сквозного пайплайна

Графовые нейросети (GNN) в рекомендациях

3 урока
1. Графы: Случайные блуждания DeepWalk и Node2Vec
2. LightGCN: Умное упрощение графовых сетей
3. PinSage (Pinterest): Масштабирование графовых сетей в BigTech

Большие языковые модели нового поколения (Generative RecSys)

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

Продвинутый Re-ranking, Разнообразие и Валидация

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

Сессионные рекомендации и Reinforcement Learning (Deep RL)

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

Кросс-доменные архитектуры и устойчивость RecSys

3 урока
1. Cross-Domain RecSys: Перенос знаний между доменами
2. Privacy-Preserving & Federated RecSys
3. Интерпретируемость: Explainable RecSys и LLM

Заключение

1 урок
1. Итоги курса