推荐系统已经成为各大产品提升用户留存和业绩增长的利器,相关技术人才更是被各个公司竞相抢夺。课程基于项目实战,带你全面掌握推荐系统的架构、模型和技术,让你不仅可以胜任业务需求,更能拓展职业发展的空间,在白热化的竞争中脱颖而出!

课程目录:

第1章 【前言】初探推荐系统
1-1 前言–关于这门课 (11:34)
1-2 推荐系统是什么 (17:01)
1-3 课程章节导览 (08:02)
第2章 【基础架构】推荐系统架构&项目搭建
2-1 典型的推荐系统架构是什么样的(上) (18:20)
2-2 典型的推荐系统架构是什么样的(下) (13:49)
2-3 推荐系统架构 — 如何设计一个推荐系统
2-4 课程项目介绍和技术选型 (15:56)
2-5 课程项目微服务API定义
2-6 后端服务框架搭建—召回服务(上) (14:14)
2-7 后端服务框架搭建—召回服务(中) (16:36)
2-8 后端服务框架搭建—召回服务(下) (15:49)
2-9 后端服务框架搭建-排序与API服务 (13:45)
2-10 【任务】对于“相似推荐”常见是否也需要一个接口呢?
2-11 课程项目前端页面搭建 (04:12)
2-12 【梳理】推荐系统常用特征
2-13 【梳理】重难点概览
第3章 【特征工程】为推荐系统准备数据
3-1 特征工程—为推荐系统准备食材(上) (09:44)
3-2 特征工程—为推荐系统准备食材(下) (16:04)
3-3 如何做好特征工程(上) (16:43)
3-4 如何做好特征工程(中) (17:09)
3-5 如何做好特征工程(下) (20:26)
3-6 数据爬虫的编订
3-7 用pandas可视化数据(上) (19:15)
3-8 用pandas可视化数据(下) (13:26)
3-9 【任务】按要求找出物品信息
3-10 Spark—业界最流行的大数据框架 (18:26)
3-11 用Spark处理特征(上) (19:34)
3-12 用Spark处理特征(下) (12:35)
3-13 如何采集用户行为数据 (24:50)
3-14 使用Kafka和Cassandra处理行为数据(上) (13:55)
3-15 使用Kafka和Cassandra处理行为数据(下) (12:54)
3-16 【任务】如何使用一个Topic来统一处理各种不同的用户行为
3-17 【梳理】特征处理方法
3-18 【梳理】重难点概览
第4章 【召回】筛选出用户的心头好
4-1 召回层—如何快速筛选出用户喜欢的物品(上) (18:07)
4-2 召回层—如何快速筛选出用户喜欢的物品(下) (13:13)
4-3 如何将Word2Vec用于推荐(上) (13:02)
4-4 如何将Word2Vec用于推荐(下) (11:30)
4-5 实现Item2Vec(上) (13:26)
4-6 实现Item2Vec(中) (15:00)
4-7 实现Item2Vec(下) (20:18)
4-8 【任务】Node2Vec中的两种不同策略得优劣
4-9 用Redis存储Embedding (16:47)
4-10 最近邻查找算法—如何使用Embedding(上) (18:36)
4-11 最近邻查找算法—如何使用Embedding(下) (14:22)
4-12 用FAISS实现LSH (12:26)
4-13 【任务】认识一下其他算法与LSH得优缺点
4-14 召回服务最终完善 (17:51)
4-15 【梳理】 重难点概览
第5章 【排序】对推荐结果进行精确排序
5-1 排序层—如何活动最精确的结果排序 (13:50)
5-2 协同过滤—最经典的排序算法 (12:14)
5-3 协同过滤算法实现 (15:38)
5-4 【任务】使用Spark ALS实现协同过滤
5-5 深度学习—革命性的机器学习模型 (21:58)
5-6 TensorFlow—业界最著名的深度学习框架 (19:46)
5-7 用三个例子体验TensorFlow(上) (19:54)
5-8 用三个例子体验TensorFlow(下) (13:39)
5-9 MLP—最经典的深度学习模型 (24:14)
5-10 深度学习需要的特征如何处理(上) (18:52)
5-11 深度学习需要的特征如何处理(下) (18:11)
5-12 如何保存线上服务特征 (13:45)
5-13 搭建并训练MLP模型(上) (13:39)
5-14 搭建并训练MLP模型(中) (13:42)
5-15 搭建并训练MLP模型(下) (18:09)
5-16 模型调优怎么做(1) (14:32)
5-17 模型调优怎么做(2) (11:42)
5-18 模型调优怎么做(3) (09:45)
5-19 模型调优怎么做(4) (22:57)
5-20 【任务】选择合适得参数找出最优
5-21 利用深度学习模型完善排序服务 (24:20)
5-22 【梳理】重难点梳理
第6章 【效果评估】衡量推荐结果的好坏
6-1 如何衡量推荐系统的好坏(上) (21:29)
6-2 如何衡量推荐系统的好坏(下) (20:30)
6-3 【任务】关于推荐系统的评价标准得思考
6-4 在线评价系统的方法:AB测试 (19:34)
6-5 代码实现AB测试功能(上) (15:09)
6-6 代码实现AB测试功能(下) (13:34)
6-7 【梳理】推荐模型离线评估
第7章 【深入学习】工程中的实践问题探讨
7-1 实践问题—如何解决冷启动(上) (19:03)
7-2 实践问题—如何解决冷启动(下) (21:04)
7-3 实践问题—如何增强系统实时性(上) (18:16)
7-4 实践问题—如何增强系统实时性(下) (10:51)
7-5 用Flink处理用户实时行为反馈(上) (25:51)
7-6 用Flink处理用户实时行为反馈(中) (18:39)
7-7 用Flink处理用户实时行为反馈(下) (19:46)
7-8 【任务】能否利用其他召回策略进行物品构建
7-9 【拓展】Flink中的时间
第8章 【结语】前沿拓展
8-1 拓展篇之强化学习 (28:27)
8-2 前沿拓展之Wide&Cross模型(上) (15:20)
8-3 前沿拓展之Wide&Cross模型(下) (13:00)
8-4 回顾+结语 (25:11)

网盘截图:

声明:本站所有文章,如无特殊说明或标注,均为本站原创发布。任何个人或组织,在未征得本站同意时,禁止复制、盗用、采集、发布本站内容到任何网站、书籍等各类媒体平台。如若本站内容侵犯了原著者的合法权益,可联系我们进行处理。