[431] Spark2.x+协同过滤算法，开发企业级个性化推荐系统 - 重点讲解协同过滤算法，一课领略四大算法原理

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