2

gycheng 2014-01-15 20:02 2 票支持; 0 票反对

明尼苏达大学是最早开始推荐系统研究的几所学校之一。还有那个鼎鼎大名的数据集Movielens也是出自这里，实际上课程所有编程作业的数据集也是取自Movielens系统，只不过这次用户和评分来源于上课的学生在第一次课后的打分。

内容：课程从概述、非个性化推荐、基于用户的推荐、评估、基于物品的推荐、降维等几个方面进行讲解。整个课程总共14周，平均到每个部分也就只有2周的时间，虽然课程视频非常多，但是每部分也只能做到了解基本概念和最常用的算法，更多细节和深入研究就只能靠大家课余自修了。关于推荐系统那些需要翻故纸堆的历史、发展脉络和基本概念老师可是讲得非常清楚呢，对于想补上基本概念这块的孩纸是值得一听的。这门课比较有意思的地方是课程中的那些interview，可以说推荐系统方面方向活跃的知名人物都有请到，虽然由于时间关系以及谈论的内容要与当时课程刚讲过的相关，所以访谈的内容比较浅，很多只是蜻蜓点水，但还是非常难得，里面有许多可以深入思考的点。由于课程过程中，恰逢ACM recsys会议在香港召开，专门有一次视频是老师讲了他们筹备第一次recsys会议的事情，以及请这次去参会的同学谈收获。有兴趣了解那次会议内容的也可以看看豆瓣阿稳同学的论文导读( http://www.wentrue.net/blog/?p=1557 )。事实上，recsys课程是秋季开课，如果下次依旧会做网络公开课的话，课程进行中还是会遭遇在加州召开的下一届recsys。大家总是能从这个课程中听到一些recsys最新的发展动态。

视频：长啊好长啊，时常出现40分钟甚至1个小时的视频，尤其以评估那部分为最，真的是看得累死我了。两个老师语速都不快，也没有奇怪的口音，赶时间或者着急的同学可以把视频播放速度调到1.25倍甚至1.5倍，即便这样还是会比那些语速快的老师慢，但是调再快我觉得会出现变调的问题，听着不舒服。
视频部分如果说有什么不满，就是每次课后问答的视频，总是听不清提问的学生问的问题，每次都是听着老师的回答再猜问题。要是能听清问题，自己先思考一下答案会更好。

作业：分为编程和论述题，中间因为大家对peer view意见好大，也出过一次选择题。
编程题，由于两个讲师中的Michael D Ekstrand是lenskit的开发者，所以编程作业和很多关于编程部分的讲述都是基于lenskit的。唉，以难用著称的lenskit啊～虽然最终都是上传结果，不用框架自己用python或者R什么的也可以完成作业。但是还是会觉得不爽啊，有讲lenskit使用的时间多讲些算法方面的细节多好。在老师谈及是否会再次开课中，说要看Michael的时间，其实我到觉得换个可以让大家自己编写算法的老师，对后面同学其实是件好事。恩，我是框架的anti粉，所以这事就不辩论了。我看过的那篇很腹黑的关于recsys各个开源软件评价的blog找不到了，放个CSDN上的温和评价凑数吧。( http://blog.csdn.net/cserchen/article/details/14231153 )
写作题，这部分题主要是从决策者和架构师的角度来描述、设计推荐系统。在论坛上被很多同学所诟病的peer review指的就是这部分。其实我个人还蛮喜欢peer review的，当然给别人打分数是一件挠头的事情，自己得到的分数和自己预期的会不一样。但是其实也没有差那么多，每次writing assignment在总成绩中占6分，的确有我预期自己的分数应该大于5，最终分数就是5分的时候；但也有我以为自己只能拿到5分多点，实际却拿到6分的惊喜状况出现。何况对课件学习多上一些心，在两次exam中弥补那1分的偏差是非常容易的事情。peer review还意味着你会看到其他人的设计、分析，看到其他人是如何分析问题的，时间允许的情况下，每次review的时候我都会尽量多看几份。大家的作业都写的很认真，有些想法和设计也很有新意。而且老师事先写的评分指南，实际也是我们在设计系统时，应如何循序渐渐逐渐深入思考问题的指南。
除了算分数的两部分作业，我特别要赞一下的是视频中的Quiz(直接下载视频看的同学就看不到这部分了)。Quiz题目出得很好，都是对前面讲的那部分的总结，或者容易辨识不清的知识点，也是两次测验的热身，测验也是同样形式的选择题。当然测验的题目和Quiz是绝对不会重复的。

评分系统：总分100分，由编程题、写作题和两次考试组成。可以拿到SOA证书的条件是总分大于50分。课程分为所有作业都做的Programming Track和只做写作作业的Concepts Track。其中参加Concepts Track的同学，能拿到的满分是64分，在这种情况下，如果想拿到证书的话，对考试就一定要认真对待了，不要错得太离谱，考试的内容包括授课内容和访谈。看了几个得49，49.5分没有拿到证书的孩纸在论坛哭诉的帖子，被诟病的peer review的得分都不低，但是两次exam的分数就。。。

恩，最后说一下这门课适合的人群，理工科的大学生上着应该都没问题，包括经管类的同学。即使只上Concepts Track，只要仔细听课，拿到证书应该是没问题的。

最后贴一下 @MrDeadline 备份的课件 http://pan.baidu.com/s/1sjGrV2l 给有兴趣的同学，即使再次开课也是2014年秋季，没有这么快会听到消息啦。

2

MrDeadline 2013-12-28 11:01 2 票支持; 0 票反对

很辛苦的拿到证书。因为自己的研究方向是推荐系统，为了这门课开始MOOC。主讲人是RecSys领域的大牛，movielens提供的数据不仅RecSys的学者再用，很多DB的paper也用它做实验。

这门课和我同时在上的另一门密歇根安娜堡的Social Network Analysis相比，学习量大了非常多。作业多，课后阅读材料也非常多。主讲人想把RecSys的所有方面都讲到，但是感觉面铺的太广了，反而有的点不是很深入。课程和作业都涉及到他们的框架lenskit，但是我觉得比起使用这些框架，允许学员自己编写算法了解原理比调用框架效果更好吧。这也是为什么论坛上很多人不适用lenskit而用python和R完成作业的原因。peer review的作业很失败，题目出的很好，原因出在学员互相评分的标准不统一，很多学生在论坛上投诉。

许多人注册这门课是想学到更多ML的东西，最后失望的离开。但是我觉得主讲人的思路挺不错，不仅仅集中于算法，还提供了很多和这个领域的学者从业人员交流的video，作业里也体现了很多决策的思想，让学生从决策者和架构师的角度了解为什么要采用这种推荐算法，怎么赢利，怎么评估。

根据最后的video来看，这门课未来不一定开放了，研究推荐系统的同学赶紧找已注册的朋友备份下课程资料。

3

课程图谱 2013-07-15 18:36 3 票支持; 0 票反对

这门课程在微博介绍之后得到了很多同学的关注和转发，并且有些同学还提供了很有价值的信息，记录在这里，供大家参考：

@SmartWeb-王绪刚: 明尼苏达大学可以说是现代推荐引擎的发源地，不仅有多位著名的教授如，Joseph A Konstan，John Riedl 等，与Amazon同期提出了item-based CF，而且还公开了MovieLens, Wikilens等许多数据集，为早期的推荐引擎研究提供了数据条件，鼠标宣言，最早的推荐引擎服务公司，都是他们搞的

@gycheng: 原来是去年在ACM Learning webinar讲recsys的那位啊，报告视频已经找不到了，Q&A可以看这里http://t.cn/zQ4pmqg