№41: Рекомендаційні системи, ч.1. CTO про побудову рекомендаційних систем, їх складові і оцінку якості.

В гостях Дмитро Войтех, СТО @ S-PRO 🔞 Тут будуть матюки 🔞 Робочі посилання і коментарі в каналі ⁠⁠⁠⁠⁠⁠⁠⁠⁠https://t.me/midnight_chatter⁠ 0:00-0:30 Інтро 0:30 - 1:18 — рекомендаційна система для банок на донати - поповнюйте рахунки Повернись Живим 1:19 - 5:45 — Дмитро (ex-Giphy, CTO@S-PRO) розказує, чому він хороша людина на поговорити про рекомендаційні системи 5:46 - 8:10 — чутки про те, в який ML/AI хочуть вкладати гроші європейські компанії 8:10 - 11:43 — визначимо проблему рекомендацій, говоримо про задачу отримання інформації (information retrieval) 11:44 - 12:20 — чому задачу рекомендацій варто розбивати на підсистеми 12:21 - 17:15 — candidate generation – бази даних, векторні індекси, текстові індекси 17:16 - 19:20 — що таке precision та recall, скільки потрібно сіньйорів… 19:21 - 22:20 — чому фільтрувати кандидатів в рекомендації є хорошою ідеєю 22:21 - 30:50 — на чому тренувати рекомендаційну систему: не забудьте полайкати наш подкаст на вашій улюбленій платформі! 30:51 - 40:45 – для чого потрібні офлайн та онлайн метрики; роздумуємо про інтуїцію метрик для оцінки якості рекомендацій 40:46 - 46:50 — чому Mean Reciprocal Rank (MRR) — ймовірно, не найкращий вибір для метрики, говоримо про Expected Reciprocal Rank (ERR) — чому структура гріда рекомендацій має значення 46:51 - 47:45 – Click Through Rate (CTR) 47:46 - 49:55 — говоримо про customer satisfaction та функції втрат для тренування рекомендаційної системи 49:56 - 55:28 — проблема feedback loop, exploration vs exploitation, рандомізуємо рекомендації; багаторукі бандити 55:29 - 57:28 — робимо паузу; оутро і канал 'Kyiv Data Science’; чекайте продовження в наступному випуску! Долучайтесь до наших соцмереж: ⁠⁠⁠⁠⁠⁠⁠⁠⁠https://t.me/midnight_chatter⁠⁠⁠⁠⁠⁠⁠⁠⁠ Twitter ⁠⁠⁠⁠⁠⁠⁠⁠⁠@O_Balachky⁠⁠⁠⁠⁠⁠⁠⁠⁠ TikTok ⁠⁠⁠⁠⁠⁠⁠⁠⁠@o_balachky⁠⁠⁠⁠⁠⁠⁠⁠⁠ Музика: ⁠⁠⁠⁠⁠⁠⁠⁠⁠https://www.streambeats.com/⁠⁠⁠⁠⁠⁠⁠⁠⁠ | ⁠⁠⁠⁠⁠⁠⁠⁠⁠@stasgavrylov