Миш, завтра показываем первую версию. Как докажем, что выдача стала лучше?
⚡ Первый модуль — бесплатно
Учим нейросети
рекомендовать
Классика
ALS, EASE, TIFUKNN
Нейросети
DSSM, SASRec, BERT4REC
Продвинутые
eSASRec, DeBERTa4Rec, AlBERT4REC
Scalable
Big Vocab, Loss, logQ
SOTA
ARGUS, PinRec, Semantic IDs
Освоить рекомендации с нуля
Научишься решать задачи от линейной алгебры до нейросетей
Живая история
Каждый модуль — новый этап компании и новая реальная проблема
Быть в курсе state-of-the-art
Разберешься в актуальных scalable архитектур
Без дедлайнов
Учись в своём темпе, когда тебе угодно
Начните с данных, а не с нейросетей
Разберите покупки «Полянки», настройте честную валидацию и соберите четыре baseline на реальном датасете. Первый модуль открыт бесплатно.
Начать обучениеВнутри урока
Зафиксирую temporal split и посчитаю Hitrate@10 отдельно для warm и cold.
Проверь ещё, что каталог не схлопнулся в одни хиты.
Добавлю Coverage@10 и сохраню один протокол для всех baseline.
Здесь учат строить рекомендации — такими, какими они бывают в реальных компаниях
Во время учёбы вы соберёте набор из инструментов и алгоритмов под свои рабочие задачи, научитесь ими управлять и станете незаменимым профессионалом
EASEPyTorchALSFAISSCollaborative FilteringEmbeddingsNDCGTwo-TowerSASRECARGUSBERT4RECLogQEASEPyTorchALSFAISSCollaborative FilteringEmbeddingsNDCGTwo-TowerSASRECARGUSBERT4RECLogQ
Как устроено обучение
Каждый модуль — новая глава истории. Вы учитесь через сюжет, а не через скучные лекции.
Нарратив
Каждый модуль — новая глава. Теория подаётся через сюжет: вы ML-инженер, который строит рекомендации для растущего сервиса.
Практика
Пишете код в Jupyter-ноутбуках — каждая задача двигает историю вперёд и закрепляет алгоритм.
7 модулей
от простых эвристик до production-ready рекомендаций
Практика
В каждом модуле — задача с реальными данными. Пишете код, замеряете метрики, разбираете, что пошло не так.
Результат
К концу курса вы соберёте полноценный пайплайн рекомендаций — от сбора данных и обучения моделей до A/B-тестов и деплоя в production. Всё как в реальных компаниях.
Программа курса
7 модулей. Последовательное погружение — каждый опирается на предыдущий.
01
Старт в Полянке
Первый день стажёра в Полянке: продуктовый контекст, EDA, валидация во времени, первые метрики и Pop-baseline для главной.
02
Персональная главная
Главная работает, но карточки и корзина пустуют. ALS, iALS, Recall/Precision, popular bias, воронка CTR → AtC → checkout. Эмбеддинги как мост к нейросетям.
03
Рекомендации во всём продукте
Главная ОК, а карточка товара продаёт плохо. KNN-семейство, TIFU-kNN, EASE / ELSA, EASE на корзинах, cold-start, Coverage / Novelty / NDCG, GMV по поверхностям, mixer в онлайне.
04
Нейросети и A/B-тесты
Каталог Поляны вырос, EASE/ALS не справляются. A/B-инфра, DSSM с random neg sampling, провал Кости в A/B как кульминация. SASRec, BERT4Rec, sequential two-tower retrieval.
05
Тюнинг и production
Из sequential two-tower выжимаем рост. In-batch + logQ, temperature, hard negatives. Светлана и БАДы — explainability как требование. eSASRec, DeBERTa4Rec, drift-monitoring.
06
Ранжирование и бизнес-цели
Двухэтапный пайплайн. Признаки для ранкера, LightGBM и CatBoost ranker, DCNv2. Multi-objective (CTR vs GMV vs retention), position-bias correction, business rules, dedup.
07
Современный RecSys
Эпилог. Куда движется индустрия: Semantic IDs (Residual K-Means + Qwen embeddings), ARGUS, HSTU. AlBERT4Rec и другие efficient-архитектуры. Что читать дальше.
Автор курса
