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
Курс «Продвинутые рекомендательные системы (RecSys)» посвящен самым современным State-of-the-Art (SOTA) подходам, которые сегодня используют ведущие технологические платформы.
В этой части программы мы выходим за рамки стандартного предсказания кликов и переходим к созданию умных, гибких и автономных систем. Вы узнаете, как обучать модели оптимизировать долгосрочное удержание пользователей (LTV), как находить скрытые связи в поведении людей с помощью графовых сетей и как заставить алгоритмы адаптироваться к молниеносной смене трендов в реальном времени. Мы детально разберем не только математику современных нейросетей, но и прикладные инженерные вызовы: от защиты рекомендательных лент от умышленной накрутки до локального обучения моделей прямо на смартфонах пользователей без нарушения их конфиденциальности.
Ключевые темы курса:
-
Архитектура L3-переранжирования и контекст мобильных интерфейсов.
-
Пространственно-временные паттерны: Графовые свертки (GNN) и каузальные трансформеры (SASRec/BST).
-
Обучение с подкреплением (Deep RL) в непрерывных пространствах эмбеддингов.
-
Причинно-следственный анализ (Counterfactual Evaluation) и методы дебайсинга.
-
Экосистемные технологии: Кросс-доменные проекции и трансфер знаний.
-
Безопасность и Robustness: Борьба с состязательным шумом и атаками отравления выборки.
-
Конфиденциальность: On-device ML и Федеративное усреднение весов (FedAvg).
-
Интерпретируемость: Построение подмоделей объяснений на базе LLM.
Для кого этот курс
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
Наши преподаватели
Программа курса
