课程介绍(A000916):
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3 节 | 37分钟本章中,将对课程内容安排和知识脉络进行介绍,帮助大家对推荐系统及应用价值有一个系统的认知。
- 视频:1-1 前言–关于这门课 (11:34)
- 视频:1-2 推荐系统是什么 (17:01)
- 视频: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13 节 | 113分钟本章我们将一起来认识经典推荐系统的分层架构,了解一个推荐系统由哪些组件构成,以及各自的作用;我们会一起用python搭建起课程项目的基本框架,并尝试端到端地运行起整个项目。
- 视频:2-1 典型的推荐系统架构是什么样的(上) (18:20)
- 视频:2-2 典型的推荐系统架构是什么样的(下) (13:49)
- 图文:2-3 推荐系统架构 — 如何设计一个推荐系统
- 视频:2-4 课程项目介绍和技术选型 (15:56)
- 图文:2-5 课程项目微服务API定义
- 视频:2-6 后端服务框架搭建—召回服务(上) (14:14)
- 视频:2-7 后端服务框架搭建—召回服务(中) (16:36)
- 视频:2-8 后端服务框架搭建—召回服务(下) (15:49)
- 视频:2-9 后端服务框架搭建-排序与API服务 (13:45)
- 作业:2-10 【任务】对于“相似推荐”常见是否也需要一个接口呢?
- 视频:2-11 课程项目前端页面搭建 (04:12)
- 图文:2-12 【梳理】推荐系统常用特征
- 图文: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18 节 | 216分钟俗话说“巧妇难为无米之炊”,特征处理在任何推荐系统中都是至关重要的。本章中我们会一起学习不同特征的特点以及如何使用Spark对其进行处理。
- 视频:3-1 特征工程—为推荐系统准备食材(上) (09:44)
- 视频:3-2 特征工程—为推荐系统准备食材(下) (16:04)
- 视频:3-3 如何做好特征工程(上) (16:43)
- 视频:3-4 如何做好特征工程(中) (17:09)
- 视频:3-5 如何做好特征工程(下) (20:26)
- 图文:3-6 数据爬虫的编订
- 视频:3-7 用pandas可视化数据(上) (19:15)
- 视频:3-8 用pandas可视化数据(下) (13:26)
- 作业:3-9 【任务】按要求找出物品信息
- 视频:3-10 Spark—业界最流行的大数据框架 (18:26)
- 视频:3-11 用Spark处理特征(上) (19:34)
- 视频:3-12 用Spark处理特征(下) (12:35)
- 视频:3-13 如何采集用户行为数据 (24:50)
- 视频:3-14 使用Kafka和Cassandra处理行为数据(上) (13:55)
- 视频:3-15 使用Kafka和Cassandra处理行为数据(下) (12:54)
- 作业: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
- 图文:3-17 【梳理】特征处理方法
- 图文:3-18 【梳理】重难点概览
- 第4章 【召回】筛选出用户的心头好15 节 | 185分钟召回层作为推荐系统的第一道筛选流程,负责将数以百万记的物品进行过滤。在本章中我们会学习怎么设计各种召回策略,以及利用Embedding等技术快速找到匹配用户喜好的物品。
- 视频:4-1 召回层—如何快速筛选出用户喜欢的物品(上) (18:07)
- 视频:4-2 召回层—如何快速筛选出用户喜欢的物品(下) (13:13)
- 视频:4-3 如何将Word2Vec用于推荐(上) (13:02)
- 视频:4-4 如何将Word2Vec用于推荐(下) (11:30)
- 视频:4-5 实现Item2Vec(上) (13:26)
- 视频:4-6 实现Item2Vec(中) (15:00)
- 视频:4-7 实现Item2Vec(下) (20:18)
- 作业:4-8 【任务】Node2Vec中的两种不同策略得优劣
- 视频:4-9 用Redis存储Embedding (16:47)
- 视频:4-10 最近邻查找算法—如何使用Embedding(上) (18:36)
- 视频:4-11 最近邻查找算法—如何使用Embedding(下) (14:22)
- 视频:4-12 用FAISS实现LSH (12:26)
- 作业:4-13 【任务】认识一下其他算法与LSH得优缺点
- 视频:4-14 召回服务最终完善 (17:51)
- 图文: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22 节 | 321分钟在一次推荐请求中,用户最终浏览到的结果条目往往十分有限,因此我们需要排序层来对召回的结果进行精确排序,从而提高推荐效果。本章我们会学习如何使用深度学习模型完成排序任务。
- 视频:5-1 排序层—如何活动最精确的结果排序 (13:50)
- 视频:5-2 协同过滤—最经典的排序算法 (12:14)
- 视频:5-3 协同过滤算法实现 (15:38)
- 作业:5-4 【任务】使用Spark ALS实现协同过滤
- 视频:5-5 深度学习—革命性的机器学习模型 (21:58)
- 视频:5-6 TensorFlow—业界最著名的深度学习框架 (19:46)
- 视频:5-7 用三个例子体验TensorFlow(上) (19:54)
- 视频:5-8 用三个例子体验TensorFlow(下) (13:39)
- 视频:5-9 MLP—最经典的深度学习模型 (24:14)
- 视频:5-10 深度学习需要的特征如何处理(上) (18:52)
- 视频:5-11 深度学习需要的特征如何处理(下) (18:11)
- 视频:5-12 如何保存线上服务特征 (13:45)
- 视频:5-13 搭建并训练MLP模型(上) (13:39)
- 视频:5-14 搭建并训练MLP模型(中) (13:42)
- 视频:5-15 搭建并训练MLP模型(下) (18:09)
- 视频:5-16 模型调优怎么做(1) (14:32)
- 视频:5-17 模型调优怎么做(2) (11:42)
- 视频:5-18 模型调优怎么做(3) (09:45)
- 视频:5-19 模型调优怎么做(4) (22:57)
- 作业:5-20 【任务】选择合适得参数找出最优
- 视频:5-21 利用深度学习模型完善排序服务 (24:20)
- 图文: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7 节 | 91分钟至此我们已经完成搭建了一个推荐系统,那么这个系统的效果究竟如何?是否能满足真实线上用户的需求呢?这些问题往往不能仅仅从某个单一指标得出结论。因此在这一章中我们会学习衡量推荐系统好坏的各种不同方法。
- 视频:6-1 如何衡量推荐系统的好坏(上) (21:29)
- 视频:6-2 如何衡量推荐系统的好坏(下) (20:30)
- 作业:6-3 【任务】关于推荐系统的评价标准得思考
- 视频:6-4 在线评价系统的方法:AB测试 (19:34)
- 视频:6-5 代码实现AB测试功能(上) (15:09)
- 视频:6-6 代码实现AB测试功能(下) (13:34)
- 图文: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9 节 | 134分钟我始终坚信实践和理论同样重要,要真正完成一个工业级推荐系统势必会遇到诸多实践问题,本章我们讲解其中几个最经典的问题。
- 视频:7-1 实践问题—如何解决冷启动(上) (19:03)
- 视频:7-2 实践问题—如何解决冷启动(下) (21:04)
- 视频:7-3 实践问题—如何增强系统实时性(上) (18:16)
- 视频:7-4 实践问题—如何增强系统实时性(下) (10:51)
- 视频:7-5 用Flink处理用户实时行为反馈(上) (25:51)
- 视频:7-6 用Flink处理用户实时行为反馈(中) (18:39)
- 视频:7-7 用Flink处理用户实时行为反馈(下) (19:46)
- 作业:7-8 【任务】能否利用其他召回策略进行物品构建
- 图文:7-9 【拓展】Flink中的时间
- 第8章 【结语】前沿拓展4 节 | 82分钟想要成为一个优秀的推荐系统工程师我们要做到“仰望星空,脚踏实地”。本章会给大家介绍一些业界前沿的技术和模型,希望对同学们有所启发。
- 视频:8-1 拓展篇之强化学习 (28:27)
- 视频:8-2 前沿拓展之Wide&Cross模型(上) (15:20)
- 视频:8-3 前沿拓展之Wide&Cross模型(下) (13:00)
- 视频:8-4 回顾+结语 (25:11)
文件目录:
全局视角系统学习《推荐系统》,实战中提升竞争力完结无秘 |
│ ├─api-service-main.zip 1.24KB |
│ ├─dataset-cp2.zip 1.8MB |
│ ├─feature-engineer-cp3.zip 123.33KB |
│ ├─flink-realtime-feature-cp7.zip 2.56KB |
│ ├─readme-master.zip 2.28KB |
│ ├─recall-service-main.zip 1.32KB |
│ ├─{1}–第1章【前言】初探推荐系统 |
│ │ ├─[1.1]–1-1前言–关于这门课.mp4 36.82MB |
│ │ ├─[1.2]–1-2推荐系统是什么.mp4 36.94MB |
│ │ └─[1.3]–1-3课程章节导览.mp4 19.41MB |
│ ├─{2}–第2章【基础架构】推荐系统架构&项目搭建 |
│ │ ├─(2.1)–2-3推荐系统架构–如何设计一个推荐系统.pdf 299.86KB |
│ │ ├─(2.2)–2-5课程项目微服务API定义.pdf 270.03KB |
│ │ ├─(2.3)–2-12【梳理】推荐系统常用特征.pdf 254.14KB |
│ │ ├─(2.4)–2-13【梳理】重难点概览.pdf 240.9KB |
│ │ ├─[2.1]–2-1典型的推荐系统架构是什么样的(上).mp4 96.79MB |
│ │ ├─[2.2]–2-2典型的推荐系统架构是什么样的(下).mp4 52.44MB |
│ │ ├─[2.3]–2-4课程项目介绍和技术选型.mp4 63.01MB |
│ │ ├─[2.4]–2-6后端服务框架搭建—召回服务(上).mp4 93.55MB |
│ │ ├─[2.5]–2-7后端服务框架搭建—召回服务(中).mp4 97.11MB |
│ │ ├─[2.6]–2-8后端服务框架搭建—召回服务(下).mp4 59.84MB |
│ │ ├─[2.7]–2-9后端服务框架搭建-排序与API服务.mp4 92.41MB |
│ │ └─[2.8]–2-11课程项目前端页面搭建.mp4 23.58MB |
│ ├─{3}–第3章【特征工程】为推荐系统准备数据 |
│ │ ├─(3.1)–3-6数据爬虫的编订.pdf 275.31KB |
│ │ ├─(3.2)–3-17【梳理】特征处理方法.pdf 304.64KB |
│ │ ├─(3.3)–3-18【梳理】重难点概览.pdf 251.15KB |
│ │ ├─[3.10]–3-12用Spark处理特征(下).mp4 62.78MB |
│ │ ├─[3.11]–3-13如何采集用户行为数据.mp4 48.54MB |
│ │ ├─[3.12]–3-14使用Kafka和Cassandra处理行为数据(上).mp4 67.69MB |
│ │ ├─[3.13]–3-15使用Kafka和Cassandra处理行为数据(下).mp4 50.85MB |
│ │ ├─[3.1]–3-1特征工程—为推荐系统准备食材(上).mp4 45.45MB |
│ │ ├─[3.2]–3-2特征工程—为推荐系统准备食材(下).mp4 67.56MB |
│ │ ├─[3.3]–3-3如何做好特征工程(上).mp4 70.82MB |
│ │ ├─[3.4]–3-4如何做好特征工程(中).mp4 28.85MB |
│ │ ├─[3.5]–3-5如何做好特征工程(下).mp4 41.73MB |
│ │ ├─[3.6]–3-7用pandas可视化数据(上).mp4 42.99MB |
│ │ ├─[3.7]–3-8用pandas可视化数据(下).mp4 47.29MB |
│ │ ├─[3.8]–3-10Spark—业界最流行的大数据框架.mp4 41.04MB |
│ │ └─[3.9]–3-11用Spark处理特征(上).mp4 72.96MB |
│ ├─{4}–第4章【召回】筛选出用户的心头好 |
│ │ ├─(4.1)–4-15【梳理】重难点概览.pdf 392.33KB |
│ │ ├─[4.10]–4-11最近邻查找算法—如何使用Embedding(下).mp4 33.3MB |
│ │ ├─[4.11]–4-12用FAISS实现LSH.mp4 53.41MB |
│ │ ├─[4.12]–4-14召回服务最终完善.mp4 114.6MB |
│ │ ├─[4.1]–4-1召回层—如何快速筛选出用户喜欢的物品(上).mp4 -1.#INDB |
│ │ ├─[4.2]–4-2召回层—如何快速筛选出用户喜欢的物品(下).mp4 25.29MB |
│ │ ├─[4.3]–4-3如何将Word2Vec用于推荐(上).mp4 22.84MB |
│ │ ├─[4.4]–4-4如何将Word2Vec用于推荐(下).mp4 27.61MB |
│ │ ├─[4.5]–4-5实现Item2Vec(上).mp4 45.96MB |
│ │ ├─[4.6]–4-6实现Item2Vec(中).mp4 55.11MB |
│ │ ├─[4.7]–4-7实现Item2Vec(下).mp4 96.29MB |
│ │ ├─[4.8]–4-9用Redis存储Embedding.mp4 45.14MB |
│ │ └─[4.9]–4-10最近邻查找算法—如何使用Embedding(上).mp4 36.09MB |
│ ├─{5}–第5章【排序】对推荐结果进行精确排序 |
│ │ ├─(5.1)–5-22【梳理】重难点梳理.pdf 299.69KB |
│ │ ├─[5.10]–5-11深度学习需要的特征如何处理(下).mp4 77.12MB |
│ │ ├─[5.11]–5-12如何保存线上服务特征.mp4 65.95MB |
│ │ ├─[5.12]–5-13搭建并训练MLP模型(上).mp4 39.32MB |
│ │ ├─[5.13]–5-14搭建并训练MLP模型(中).mp4 97.04MB |
│ │ ├─[5.14]–5-15搭建并训练MLP模型(下).mp4 79.35MB |
│ │ ├─[5.15]–5-16模型调优怎么做(1).mp4 19.08MB |
│ │ ├─[5.16]–5-17模型调优怎么做(2).mp4 55.88MB |
│ │ ├─[5.17]–5-18模型调优怎么做(3).mp4 53.38MB |
│ │ ├─[5.18]–5-19模型调优怎么做(4).mp4 -1.#INDB |
│ │ ├─[5.19]–5-21利用深度学习模型完善排序服务.mp4 165.57MB |
│ │ ├─[5.1]–5-1排序层—如何活动最精确的结果排序.mp4 22.81MB |
│ │ ├─[5.2]–5-2协同过滤—最经典的排序算法.mp4 43.62MB |
│ │ ├─[5.3]–5-3协同过滤算法实现.mp4 114.54MB |
│ │ ├─[5.4]–5-5深度学习—革命性的机器学习模型.mp4 84.99MB |
│ │ ├─[5.5]–5-6TensorFlow—业界最著名的深度学习框架.mp4 -1.#INDB |
│ │ ├─[5.6]–5-7用三个例子体验TensorFlow(上).mp4 83.05MB |
│ │ ├─[5.7]–5-8用三个例子体验TensorFlow(下).mp4 44.66MB |
│ │ ├─[5.8]–5-9MLP—最经典的深度学习模型.mp4 43.68MB |
│ │ └─[5.9]–5-10深度学习需要的特征如何处理(上).mp4 78.82MB |
│ ├─{6}–第6章【效果评估】衡量推荐结果的好坏 |
│ │ ├─(6.1)–6-7【梳理】推荐模型离线评估.pdf 262.83KB |
│ │ ├─[6.1]–6-1如何衡量推荐系统的好坏(上).mp4 30.76MB |
│ │ ├─[6.2]–6-2如何衡量推荐系统的好坏(下).mp4 31.46MB |
│ │ ├─[6.3]–6-4在线评价系统的方法:AB测试.mp4 33.71MB |
│ │ ├─[6.4]–6-5代码实现AB测试功能(上).mp4 93.2MB |
│ │ └─[6.5]–6-6代码实现AB测试功能(下).mp4 89.37MB |
│ ├─{7}–第7章【深入学习】工程中的实践问题探讨 |
│ │ ├─(7.1)–7-9【拓展】Flink中的时间.pdf 258.79KB |
│ │ ├─[7.1]–7-1实践问题—如何解决冷启动(上).mp4 25.19MB |
│ │ ├─[7.2]–7-2实践问题—如何解决冷启动(下).mp4 41.61MB |
│ │ ├─[7.3]–7-3实践问题—如何增强系统实时性(上).mp4 25.66MB |
│ │ ├─[7.4]–7-4实践问题—如何增强系统实时性(下).mp4 17.73MB |
│ │ ├─[7.5]–7-5用Flink处理用户实时行为反馈(上).mp4 62.58MB |
│ │ ├─[7.6]–7-6用Flink处理用户实时行为反馈(中).mp4 111.25MB |
│ │ └─[7.7]–7-7用Flink处理用户实时行为反馈(下).mp4 109.09MB |
│ └─{8}–第8章【结语】前沿拓展 |
│ ├─[8.1]–8-1拓展篇之强化学习.mp4 46.47MB |
│ ├─[8.2]–8-2前沿拓展之Wide&Cross模型(上).mp4 28.71MB |
│ ├─[8.3]–8-3前沿拓展之Wide&Cross模型(下).mp4 30.92MB |
│ └─[8.4]–8-4回顾+结语.mp4 36.37MB |
本站所有资源均来自网络,版权归原作者所有,本站仅提供收集与推荐,若侵犯到您的权益,请【给我们反馈】,我们将在24小时内处理!