互联网的出现和普及给用户带来了大量的信息，满足了用户在信息时代对信息的需求，但随着网络的迅速发展而带来的网上信息量的大幅增长，使得用户在面对大量信息时无法从中获得对自己真正有用的那部分信息，对信息的使用效率反而降低了，这就是所谓的信息超载问题。
推荐系统（Recommender Systems） 是指利用软件和算法预测用户喜欢的商品/服务并进行推荐的系统。传统推荐系统依赖统计学和经济学原理，分析数据库数据，并对用户行为喜好进行有限的推理和预测。现代智能推荐系统往往利用人工智能，比如机器学习（Machine learning）等方法在大数据中发现并反复学习用户行为模式，使得预测精准度大大提高。
解决信息超载问题一个非常有潜力的办法是推荐系统，它是根据用户的信息需求、兴趣等，将用户感兴趣的信息、产品、服务等推荐给用户的个性化信息推荐系统。和搜索引擎相比推荐系统通过研究用户的兴趣偏好，进行个性化计算，由系统发现用户的兴趣点，从而引导用户发现自己的信息需求。一个好的推荐系统不仅能为用户提供个性化的服务，还能和用户之间建立密切关系，让用户对推荐产生依赖。推荐系统现已广泛应用于很多领域，其中最典型并具有良好发展和应用前景的领域就是电子商务领域。同时学术界对推荐系统的研究热度一直很高，逐步形成了一门的学科。
本课题将以电影推荐系统为例进行深入研究学习。课程参与者将学习到推荐系统的基本原理与方法，线性代数在计算机领域的应用，机器学习方法以及科学研究的基本方法。在课题开始时，参与者将学习到一个推荐系统的基本构架并直接进行动手。随着课程深入，导师将根据参与者的学习进度和兴趣对于推荐系统进行深度优化，达到学术论文报告的基本要求。
本课题是跨计算机和经济学的综合研究，是机器学习相关技术的实际应用。研究者将使用Python构建一个智能的精准推荐系统。
来自美国顶尖科研团队将在有方学者团队的配合下，进行12-16周的密集教学和科研，帮助学生系统完成科研项目学习、实践。
在教学过程正式开始前，有方学者会根据学生的具体情况提供数学、统计、英语学术论文写作等预备课程
概率统计、线性代数（矩阵相关）、推荐系统基础知识（静态数据推荐，基于内容的推荐，协同过滤算法，基于标签的推荐算法等）；
推荐：