网站资源均收集于公开网络,仅供学习和交流。版权归版权人所有,所标价格为资源收集整理费用,如喜欢作品请支持正版。
网盘链接:
1. 课程介绍与学习指南
- 1-1 课程介绍及导学
- 1-2 怎么更好的使用慕课平台
- 1-3 你真的会问问题吗?
2. 了解推荐系统的生态
- 2-1 本章重难点提点
- 2-2 推荐系统的关键元素和思维模式
- 2-3 推荐算法的主要分类
- 2-4 推荐系统常见的问题
- 2-5 推荐系统效果评测
3. 给学习算法打基础
- 3-1 本章重点难点提点
- 3-2 推荐系统涉及的数学知识
- 3-3 推荐系统涉及的概率统计知识
4. 详解协同过滤推荐算法原理
- 4-1 本章重点难点提点
- 4-2 本章作业
- 4-3 协同过滤的数学知识:最小二乘法
- 4-4 协同过滤的数学知识:梯度下降法
- 4-5 协同过滤的数学知识:余弦相似度
- 4-6 什么是user-based的协同过滤
- 4-7 基于Spark实现user-based协同过滤
- 4-8 什么是item-based协同过滤
- 4-9 基于Spark实现item-based协同过滤
- 4-10 基于模型的协同过滤
- 4-11 基于矩阵分解模型的两种算法:SVD和PMF
- 4-12 缺失值填充
5. Spark内置推荐算法ALS原理
- 5-1 ALS 算法原理
- 5-2 ALS 算法在Spark上的实现
- 5-3 ALS 算法在 Spark 上的源码分析
6. 推荐系统搭建——需求分析和环境搭建
- 6-1 本章重点难点提点
- 6-2 项目需求分析 技术分解 模块设计
- 6-3 开发环境搭建
- 6-4 环境问题 工具问题 版本问题
- 6-5 【实操手册】环境搭建文档 ( 完善版 )
7. 推荐系统搭建——UI界面模块
- 7-1 VUE+ElementUI简单入门
- 7-2 用户访问页面实现
- 7-3 AB Test 控制台页面(上)
- 7-4 AB Test 控制台页面(下)
8. 推荐系统搭建——数据层
- 8-1 数据上报(上)
- 8-2 数据上报(下)
- 8-3 日志清洗和格式化数据(上)
- 8-4 日志清洗和格式化数据(中)
- 8-5 日志清洗和格式化数据(下)
- 8-6 分析用户行为和商品属性
9. 推荐系统搭建——推荐引擎
- 9-1 基于用户行为构建评分矩阵
- 9-2 离线推荐:基于用户角度召回策略筛选候选集(上)
- 9-3 离线推荐:基于用户角度召回策略筛选候选集(下)
- 9-4 离线推荐:基于物品角度召回策略筛选候选集(上)
- 9-5 离线推荐:基于物品角度召回策略筛选候选集(下)
- 9-6 离线推荐:写特征向量到HBase
- 9-7 离线推荐:基于模型的排序
- 9-8 实时推荐:Storm解析用户行为
- 9-9 实时推荐:通过FTRL更新特征权重-原理
- 9-10 实时推荐:通过FTRL更新特征权重-代码实现
- 9-11 离线推荐和实时推荐项目梳理
10. 推荐系统搭建——推荐结果存储
- 10-1 数仓ODS和DWD层搭建
- 10-2 搭建用户行为日志数据仓库
- 10-3 利用外部分区表存储用户行为
11. 推荐系统搭建——推荐效果评估模块
- 11-1 AB Test
- 11-2 AB Test的分流管理
- 11-3 搭建AB Test 实验控制台(上)
- 11-4 搭建AB Test 实验控制台(下)
- 11-5 常用评测指标
12. 知识拓展——基于关联规则的推荐算法
- 12-1 基于Apriori的关联算法
- 12-2 基于Spark实现Apriori算法(上)
- 12-3 基于Spark实现Apriori算法(下)
- 12-4 基于FP-Growth的关联算法
- 12-5 基于Spark实现FP-Growth算法
13. 知识拓展——基于机器学习的推荐算法
- 13-1 RBM神经网络
- 13-2 CNN卷积神经网络
- 13-3 RNN循环神经网络
14. 知识拓展——基于内容的推荐算法
- 14-1 文本向量化
- 14-2 基于Spark实现TF-IDF
- 14-3 课程总结
© 版权声明
网站资源均收集于公开网络,仅供学习和交流。版权归版权人所有,所标价格为资源收集整理费用,如喜欢作品请支持正版。
THE END
暂无评论内容