В данной статье выборочно рассматриваются несколько подходов реализации персональной системы рекомендаций тренировок с помощью коллаборативной фильтрации. Главным направлением была выбрана фильтрация, основанная на работе с памятью, где авторы напрямую работают с данными и пытаются вычленить нужные связи, производя статистические методы на всем датасете целикомВ список рассмотренных алгоритмов входят такие как метод косинусного сходства и метод корреляции Пирсона. В первом случае мы рассматриваем каждого пользователя как N-мерный вектор, где N – это количество рассматриваемых тренировок. Далее мы считаем сходство между двумя конкретными пользователями как косинус угла между двумя их векторами. Данный подход дал достаточно хорошие результаты, однако пустые клетки разряженной матрицы сильно повлияли на результат, так как этот метод плохо работает. В случае же Корреляции Пирсона пытаемся найти позитивные или негативные тренды между юзерами и считаем коэффициент корреляции, который далее будет использован при прогнозе значений для пустых ячеек.Конечный результат статьи – сравнить все вышеперечисленные методы и рассказать о плюсах и минусах каждого. Сравнения произведены с помощью подсчета таких метрик как RMSE и MAE.