Formation en filtrage collaboratif

Leçon 1 • Taxonomie des approches de filtrage

Examine les stratégies de filtrage basé sur le contenu, collaboratif et hybride. Positionne le filtrage collaboratif dans le paysage plus large.

Leçon 2 • Ce que font les systèmes de recommandation

Définit les systèmes de recommandation et leur fonction principale d'appariement des utilisateurs avec des articles. Établit le vocabulaire utilisé tout au long du cours.

Leçon 3 • Exigences et collecte de données

Identifie les types de données nécessaires pour alimenter les modèles de filtrage collaboratif. Couvre les stratégies de collecte et les premières considérations de qualité des données.

Leçon 1 • Opérations matricielles pour les recommandations

Applique la multiplication matricielle, la transposition et l'inversion aux matrices d'évaluation. Prépare les étudiants aux techniques de décomposition par factorisation matricielle.

Leçon 2 • Bases des probabilités et des statistiques

Passe en revue la probabilité conditionnelle, l'espérance et la variance telles qu'elles s'appliquent à la prédiction d'évaluation. Ancre les modèles probabilistes introduits dans les chapitres suivants.

Leçon 3 • Essentiels de l'algèbre linéaire

Couvre les vecteurs, les matrices et les produits scalaires comme représentations des utilisateurs et des articles. Soutient directement le calcul de similarité et la factorisation matricielle plus tard.

Leçon 1 • Filtrage par k plus proches voisins basé sur l'article

Calcule la similarité article-article et recommande des articles liés à ceux déjà évalués par un utilisateur. Contraste l'évolutivité avec les approches basées sur l'utilisateur.

Leçon 2 • Évaluation des modèles basés sur la mémoire

Applique MAE, RMSE et les métriques de classement pour évaluer la qualité des prédictions. Introduit le partitionnement entraînement-test et la validation croisée pour l'évaluation des systèmes de recommandation.

Leçon 3 • Filtrage par k plus proches voisins basé sur l'utilisateur

Trouve des utilisateurs similaires et agrège leurs évaluations pour prédire les préférences d'un utilisateur cible. Introduit la sélection du voisinage et la moyenne pondérée.

Leçon 4 • Normalisation et correction de biais

Aborde le biais d'évaluation de l'utilisateur via le centrage par la moyenne et la normalisation par le score Z. Améliore la précision des prédictions avant le calcul de la similarité.

Leçon 1 • Factorisation matricielle régularisée

Introduit la fonction objectif avec régularisation L2 pour éviter le surapprentissage des facteurs latents. Dérive les règles de mise à jour du gradient utilisées dans l'optimisation.

Leçon 2 • Incorporation des termes de biais

Étend le modèle de factorisation de base avec des paramètres de biais global, utilisateur et article. Démontre des gains de précision mesurables sur des références standard.

Leçon 3 • Fondamentaux de la décomposition en valeurs singulières

Explique SVD comme une approximation de bas rang de la matrice d'évaluation. Relie les dimensions latentes aux caractéristiques cachées des utilisateurs et des articles.

Leçon 4 • Entraînement par descente de gradient stochastique

Entraîne efficacement les modèles de factorisation matricielle en utilisant SGD sur les évaluations observées. Couvre les stratégies de taux d'apprentissage et la surveillance de la convergence.

Leçon 1 • Factorisation matricielle régularisée pondérée

Applique une perte pondérée par la confiance pour traiter les interactions non observées comme des négatifs doux. Dérive l'objectif WRMF et sa solution ALS.

Leçon 2 • Classement personnalisé bayésien

Formule la recommandation comme un classement par paires en maximisant la probabilité que les articles observés soient classés au-dessus des articles non observés. S'entraîne avec SGD sur des triplets échantillonnés.

Leçon 3 • Retour implicite vs explicite revisité

Contraste les propriétés statistiques des signaux implicites avec les évaluations explicites. Établit pourquoi les hypothèses standard de factorisation doivent être révisées.

Leçon 1 • Modèles de recommandation sensibles à la séquence

Modélise le comportement temporel de l'utilisateur avec des architectures récurrentes et basées sur l'attention. Capture le contexte de session que les modèles statiques manquent.

Leçon 2 • Architecture de filtrage collaboratif neuronal

Remplace le produit scalaire par un perceptron multicouche pour modéliser des interactions complexes. Introduit les branches GMF et MLP du framework NCF.

Leçon 3 • Comparaison des modèles profonds et peu profonds

Compare le CF neuronal à la factorisation matricielle en termes de précision, coût d'entraînement et interprétabilité. Guide la sélection du modèle en fonction de la taille de l'ensemble de données et des contraintes de latence.

Leçon 4 • Autoencodeurs pour la recommandation

Utilise des réseaux encodeur-décodeur pour reconstruire les vecteurs d'évaluation et imputer les valeurs manquantes. Couvre les autoencodeurs débruitants comme stratégie de régularisation.

Leçon 1 • Entraînement de modèle distribué

Fait passer à l'échelle l'entraînement CF par factorisation et neuronal sur plusieurs machines en utilisant le parallélisme des données et des modèles. Aborde la synchronisation des gradients et la tolérance aux pannes.

Leçon 2 • Feature stores et service d'embeddings

Gère les embeddings des utilisateurs et des articles dans un feature store pour un entraînement et un service cohérents. Couvre la gestion de versions, la latence de récupération et les programmes de rafraîchissement des embeddings.

Leçon 3 • Surveillance et maintenance des systèmes en production

Suit la qualité des recommandations en production à l'aide de métriques en ligne et de détection de dérive des données. Établit les déclencheurs de réentraînement et les procédures de retour en arrière.

Leçon 4 • Recherche approximative des plus proches voisins

Remplace la recherche de similarité exacte par des index ANN pour récupérer des candidats en millisecondes. Couvre les méthodes HNSW, LSH et la quantification produit.

Leçon 1 • Réseaux de neurones graphiques pour CF

Modélise les interactions utilisateur-article comme un graphe biparti et propage les embeddings à travers des convolutions graphiques. Couvre LightGCN et ses simplifications.

Leçon 2 • Filtrage collaboratif fédéré

Entraîne des modèles de recommandation sur des appareils utilisateur décentralisés sans partager les données d'interaction brutes. Aborde l'efficacité de la communication et les garanties de confidentialité.

Leçon 3 • Recommandations conversationnelles et interactives

Incorpore les retours des utilisateurs par le biais de dialogues multi-tours pour affiner dynamiquement les recommandations. Relie les frameworks d'apprentissage par renforcement et de bandits à CF.

Leçon 4 • Directions de recherche émergentes

Passe en revue l'intégration des grands modèles de langage, l'inférence causale et le pré-entraînement auto-supervisé dans la recherche sur la recommandation. Guide les étudiants dans l'identification de problèmes ouverts réalisables.