• A
  • A
  • A
  • АБВ
  • АБВ
  • АБВ
  • А
  • А
  • А
  • А
  • А
Обычная версия сайта

Научный сотрудник МНУЛ ИССА, доцент Дмитрий Игнатов прочел серию лекций в Университете Палацкого (г. Оломуц, Чешская Республика)

Дмитрий Игоревич Игнатов принял участие в качестве основного приглашенного лектора в Международной Летней Школе «Логика, Информация и Неопределенность», которая проходила в Университете Палацкого, г. Оломуц, Чешская Республика  с   28 мая 2019 г.  по 31 мая 2019 г.

Университет Палацкого (чеш. Univerzita Palackého v Olomouci; лат. Universitas Palackiana Olomucensis) — Оломуцкий университет, носящий имя историка Франтишека Палацкого, был основан иезуитами в 1573 году и является вторым по возрасту высшим учебным заведением Чехии после Карлова университета.
Участие нашего сотрудника в работе Университета Палацкого – одно из событий расширяющих спектр международных связей и сотрудничества НИУ ВШЭ, способствующее популяризации образовательных программ нашего ВУЗа.
SSWLIU 2019 была нацелена на объединение исследователей и студентов в области логики, информации и неопределенности, чтобы представить обзоры и последние результаты ведущих ученых, а также обсудить текущие и будущие направления исследований.
Летнюю школу 2019 организаторы посвятили рекомендательным системам и связанным с ними темам. Программа особенно подходила для молодых ученых, включая докторантов. Семинар состоял из коротких бесед докторантов об их текущих и будущих направлениях исследований.
Игнатов Д. И. прочел серию лекций по тематике рекомендательных систем и алгоритмов в соответствии с программой школы:
1. Intro to recommender systems. Non-personalized and content-based systems.
2. Collaborative filtering (user-based and item-based). Similarity measures. Bimodal cross-validation. Practice in ipython. Similarity aggregation in collaborative filtering.
3.  Frequent itemset mining for web advertising and web audience exploration.
4. BMF versus SVD for collaborative filtering. Context-aware recommender systems: incorporation of side-information.
5. Advanced matrix factorization. PureSVD, NMF, SVD++, timeSVD. Factorization Machines. Practice in ipython.
6. Hybrid recommender systems. Radio station recommendations.
7. Quality evaluation. Ranking vs. rating prediction. Towards a proper metric for recommender algorithm: ImhoNet Case.
8. Selected advanced topics: spectral clustering and deep learning-based examples.
http://mcin.upol.cz/SSWLIU-2019/page/3722/