收藏

全局视角系统学习《推荐系统》,实战中提升竞争力

模块化拆解底层架构,带你掌控全局,掌握核心技术和关键模型

全局视角系统学习《推荐系统》,实战中提升竞争力

难度 中级 时长 21小时 学习人数 161 综合评分 10.00

全局视角系统学习《推荐系统》,实战中提升竞争力

  • 第1章 【前言】初探推荐系统 试看 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。

    收起列表

    • 视频: 1-1 前言--关于这门课 (11:34) 试看
    • 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。

    收起列表

    • 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 试看 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。

    收起列表

    • 视频: 3-1 特征工程---为推荐系统准备食材(上) (09:44) 试看
    • 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。

    收起列表

    • 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。

    收起列表

    • 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。

    收起列表

    • 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。

    收起列表

    • 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。

    收起列表

    • 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)
本课程已完结

试看

全部试看小节



讲师

Daniel 架构师

复旦大学本科 CMU硕士。从事机器学习、推荐系统相关工作多年,曾就职与美国顶级互联网公司和国内一流创业公司。负责过多个推荐系统项目,包括从零到一带领团队搭建了承载300万 用户的推荐系统。对推荐系统有深刻的理解和丰富的经验。

课程预览

检测到您还没有关注慕课网服务号,无法接收课程更新通知。请扫描二维码即可绑定
重新观看
意见反馈 帮助中心 APP下载
官方微信

学习咨询

选课、学习遇到问题?

扫码添加指导老师 1V1 帮助你!

添加后老师会第一时间解决你的问题