Рекомендательная система фильмов
Учебный ML-проект: гибридная рекомендательная система на датасете MovieLens 100K. Реализует два подхода: коллаборативная фильтрация (SVD через Surprise) и контентная фильтрация (TF-IDF по жанрам и описаниям). REST API на…
Маршрут проекта
Учебный ML-проект: гибридная рекомендательная система на датасете MovieLens 100K. Реализует два подхода: коллаборативная фильтрация (SVD через Surprise) и контентная фильтрация (TF-IDF по жанрам и описаниям). REST API на FastAPI возвращает персонализированные рекомендации по user_id. Деплой через Docker Compose. GitHub Actions: unit-тесты, линтинг, docker build. Учит матричной факторизации, работе со sparse матрицами и cold-start проблеме.
Репозиторий
github.com/mountainai-community/movie-recommenderОткрытые роли (3)
ML-инженер
открытаОбязанности: реализация SVD коллаборативной фильтрации через библиотеку Surprise, TF-IDF контентной фильтрации, оценка RMSE/MAE/Precision@K, анализ cold-start проблемы и стратегий решения. Навыки: Python, Surprise, scikit-learn, pandas, numpy.
Backend-разработчик (FastAPI)
открытаОбязанности: FastAPI endpoints для получения рекомендаций по user_id и item_id, кэширование предсказаний через functools.lru_cache, Pydantic схемы, swagger документация. Навыки: Python, FastAPI, Pydantic, REST API, кэширование.
Data Analyst
открытаОбязанности: EDA датасета MovieLens 100K, анализ распределения рейтингов, топ фильмы и жанры, визуализация user-item матрицы, исследование cold-start проблемы, Jupyter ноутбук с выводами. Навыки: Python, pandas, matplotlib, seaborn, Jupyter.
Апдейты (0)
Апдейтов ещё нет.
Комментарии (0)
Войдите, чтобы оставить комментарий