[561] 全局视角系统学习《推荐系统》,实战中提升竞争力 - 在实战中解决具体问题,让知识真正落地

[561] 全局视角系统学习《推荐系统》,实战中提升竞争力风筝自习室-课程资源-网盘资源风筝自习室
[561] 全局视角系统学习《推荐系统》,实战中提升竞争力 - 在实战中解决具体问题,让知识真正落地
此内容为付费阅读,请付费后查看
500积分
付费阅读

image

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. 【前言】初探推荐系统

  • 1-1 前言–关于这门课
  • 1-2 推荐系统是什么
  • 1-3 课程章节导览

2. 【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)
  • 2-2 典型的推荐系统架构是什么样的(下)
  • 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
  • 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)
  • 2-7 后端服务框架搭建—召回服务(中)
  • 2-8 后端服务框架搭建—召回服务(下)
  • 2-9 后端服务框架搭建-排序与API服务
  • 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
  • 2-12 【梳理】推荐系统常用特征
  • 2-13 【梳理】重难点概览

3. 【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)
  • 3-2 特征工程—为推荐系统准备食材(下)
  • 3-3 如何做好特征工程(上)
  • 3-4 如何做好特征工程(中)
  • 3-5 如何做好特征工程(下)
  • 3-6 数据爬虫的编订
  • 3-7 用pandas可视化数据(上)
  • 3-8 用pandas可视化数据(下)
  • 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
  • 3-11 用Spark处理特征(上)
  • 3-12 用Spark处理特征(下)
  • 3-13 如何采集用户行为数据
  • 3-14 使用Kafka和Cassandra处理行为数据(上)
  • 3-15 使用Kafka和Cassandra处理行为数据(下)
  • 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

4. 【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)
  • 4-2 召回层—如何快速筛选出用户喜欢的物品(下)
  • 4-3 如何将Word2Vec用于推荐(上)
  • 4-4 如何将Word2Vec用于推荐(下)
  • 4-5 实现Item2Vec(上)
  • 4-6 实现Item2Vec(中)
  • 4-7 实现Item2Vec(下)
  • 4-8 【任务】Node2Vec中的两种不同策略得优劣
  • 4-9 用Redis存储Embedding
  • 4-10 最近邻查找算法—如何使用Embedding(上)
  • 4-11 最近邻查找算法—如何使用Embedding(下)
  • 4-12 用FAISS实现LSH
  • 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
  • 4-15 【梳理】 重难点概览

5. 【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
  • 5-2 协同过滤—最经典的排序算法
  • 5-3 协同过滤算法实现
  • 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
  • 5-6 TensorFlow—业界最著名的深度学习框架
  • 5-7 用三个例子体验TensorFlow(上)
  • 5-8 用三个例子体验TensorFlow(下)
  • 5-9 MLP—最经典的深度学习模型
  • 5-10 深度学习需要的特征如何处理(上)
  • 5-11 深度学习需要的特征如何处理(下)
  • 5-12 如何保存线上服务特征
  • 5-13 搭建并训练MLP模型(上)
  • 5-14 搭建并训练MLP模型(中)
  • 5-15 搭建并训练MLP模型(下)
  • 5-16 模型调优怎么做(1)
  • 5-17 模型调优怎么做(2)
  • 5-18 模型调优怎么做(3)
  • 5-19 模型调优怎么做(4)
  • 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
  • 5-22 【梳理】重难点梳理

6. 【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)
  • 6-2 如何衡量推荐系统的好坏(下)
  • 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
  • 6-5 代码实现AB测试功能(上)
  • 6-6 代码实现AB测试功能(下)
  • 6-7 【梳理】推荐模型离线评估

7. 【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)
  • 7-2 实践问题—如何解决冷启动(下)
  • 7-3 实践问题—如何增强系统实时性(上)
  • 7-4 实践问题—如何增强系统实时性(下)
  • 7-5 用Flink处理用户实时行为反馈(上)
  • 7-6 用Flink处理用户实时行为反馈(中)
  • 7-7 用Flink处理用户实时行为反馈(下)
  • 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

8. 【结语】前沿拓展

  • 8-1 拓展篇之强化学习
  • 8-2 前沿拓展之Wide&Cross模型(上)
  • 8-3 前沿拓展之Wide&Cross模型(下)
  • 8-4 回顾+结语
© 版权声明
THE END
加入本站 VIP,免费下载本站所有内容
点赞8 分享
评论 抢沙发

请登录后发表评论

    暂无评论内容