Теория и практика матричной факторизации на примере ALS // «Рекомендательные системы»

Почему этот урок важен? Понимание ALS — это ключ к созданию эффективных, масштабируемых и точных рекомендательных систем, которые напрямую влияют на бизнес-метрики. Этот урок даст вам фундаментальное понимание и практический навык, востребованный в реальных проектах. 📍 Программа урока: 1. Идея матричной факторизации 2. Пошаговый разбор алгоритма Alternating Least Squares: - Функция потерь и роль регуляризации. - Почему оптимизация называется «попеременной»? - Разбор преимуществ ALS перед другими методами (SVD). 3. Практика - Подготовка данных и создание разреженной матрицы. - Обучение модели ALS - Получение рекомендаций для пользователей и поиск похожих товаров. - Дообучение модели (шаг ALS) 👥 Кому будет полезен урок? - Дата саентистам и ML-инженерам, которые хотят углубить свои знания в рекомендательных системах. - Начинающим специалистам и студентам, желающим понять один из самых важных алгоритмов ML на стыке теории и практики. - Разработчикам, которые сталкиваются с задачами персонализации и хотят понять, как работают рекомендации «под капотом». - Продуктовым менеджерам и аналитикам, которые хотят говорить с техническими командами на одном языке и понимать возможности и ограничения технологии. ✅ Чему вы научитесь? - Понимать принципы работы матричной факторизации и алгоритма ALS на интуитивном и математическом уровне. - Правильно готовить данные для обучения моделей рекомендаций. - Обучать и дообучать модель, оценивать ее работу и получать предсказания. «Рекомендательные системы» - https://otus.pw/5gWd/ Преподаватель: Вероника Иванова - Data Scientist в Sber AI Lab Пройдите опрос по итогам мероприятия - https://otus.pw/OUkV/ → Перейти в сообщество Следите за новостями проекта: → VK: https://vk.com/otusru → Telegram: https://t.me/Otusjava → Хабр: https://otus.pw/S0nM/