Разберите покупки «Полянки», настройте честную валидацию и соберите четыре baseline на реальном датасете. Первый модуль открыт бесплатно.
Начать обучениеВы — Миша, ML-инженер в «Полянке». Продакт Кира ставит задачи, как в настоящей команде, и каждый диалог ведёт к следующему алгоритму.
Миш, завтра показываем первую версию. Как докажем, что выдача стала лучше?
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.
Интерактивные схемы показывают, что происходит внутри: как сигналы поведения собираются в эмбеддинги и превращаются в выдачу.
В каждом уроке задача на реальных данных: реализуете метрику или модель в ноутбуке, получаете число и разбираете, что за ним стоит.
def hitrate_at_k(recs, actuals, k=10): if not actuals: return float("nan") hits = 0 for user, items in actuals.items(): top_k = set(recs.get(user, [])[:k]) hits += bool(top_k & items) return hits / len(actuals)
round(hitrate_at_k(recs, actuals), 3)
0.667Во время учёбы вы соберёте набор из инструментов и алгоритмов под свои рабочие задачи, научитесь ими управлять и станете незаменимым профессионалом
Каждый модуль — новая глава истории. Вы учитесь через сюжет, а не через скучные лекции.
7 модулей. Последовательное погружение — каждый опирается на предыдущий.
Первый день стажёра в Полянке: продуктовый контекст, EDA, валидация во времени, первые метрики и Pop-baseline для главной.
Главная работает, но карточки и корзина пустуют. ALS, iALS, Recall/Precision, popular bias, воронка CTR → AtC → checkout. Эмбеддинги как мост к нейросетям.
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.
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.
Из sequential two-tower выжимаем рост. In-batch + logQ, temperature, hard negatives. Светлана и БАДы — explainability как требование. eSASRec, DeBERTa4Rec, drift-monitoring.
Двухэтапный пайплайн. Признаки для ранкера, LightGBM и CatBoost ranker, DCNv2. Multi-objective (CTR vs GMV vs retention), position-bias correction, business rules, dedup.
Эпилог. Куда движется индустрия: Semantic IDs (Residual K-Means + Qwen embeddings), ARGUS, HSTU. AlBERT4Rec и другие efficient-архитектуры. Что читать дальше.
Наконец-то курс, где сначала данные и валидация, а нейросети потом. После первого модуля переписала temporal split у себя на работе.
История с Полянкой держит лучше учебника: каждую метрику помнишь по тому, зачем она понадобилась команде.
Практика с проверкой предиктов — это честно: файл либо проходит порог, либо нет. Никакого «вроде понял».
Оплата картой подключается. Пока — заявка в Telegram, доступ открываем вручную в тот же день.
Десять уроков о том, как устроены рекомендации, с проверками и практикой на реальных данных.
Все семь модулей от Pop-baseline до продакшн-ранжирования — и AI-ассистент, который проверяет ваши работы.
Для инженеров и аналитиков с базовым Python и pandas, которые хотят строить рекомендации как в реальных компаниях — от Pop-baseline до продакшн-ранжирования. Учить Python с нуля курс не будет.
Весь первый модуль и вся программа — без подписки. Остальные уроки, проверки и практика — в полном курсе, который покупается один раз.
Курс идёт как история: стажёр Миша приходит в Полянку и решает задачи команды. В конце каждого урока — короткая проверка на четыре вопроса. Она даёт очки, а очки открывают следующий урок.
Задание на реальном датасете: вы собираете рекомендации и загружаете CSV, сервис считает Hitrate@10 и засчитывает результат. Без практики следующий модуль не откроется.
Нет. Уроки открываются по мере ваших проверок, а не по календарю. Курс покупается один раз и не заканчивается.
Оплата картой подключается. Пока — заявка в Telegram, доступ открываем вручную в тот же день. Напишите в Telegram — @researchoshnaya.