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视频课程
实战驱动，架构解析
编辑点评
系统深入，实战导向，从数据准备到效果评估，全面覆盖推荐系统关键环节。
⭐ 编辑推荐
全面解析推荐系统架构，实战项目驱动，提升竞争力。
课程亮点
• 系统学习推荐系统架构
• 实战项目驱动学习
• 全面覆盖关键环节
课程目录
📁 第1阶段 【前言】初探推荐系统 1-1 前言--关于这门课.mp4 1-2 推荐系统是什么.mp4 1-3 课程章节导览.mp4 📁 第2阶段 【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）.vep 2-2 典型的推荐系统架构是什么样的（下）.vep 2-4 课程项目介绍和技术选型.vep 2-6 后端服务框架搭建---召回服务（上）.vep 2-7 后端服务框架搭建---召回服务（中）.vep 2-8 后端服务框架搭建---召回服务（下）.vep 2-9 后端服务框架搭建-排序与API服务.vep 2-10 课程项目前端页面搭建.vep 📁 第3阶段 【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）.vep 3-2 特征工程---为推荐系统准备食材（下）.vep 3-3 如何做好特征工程（上）.vep 3-4 如何做好特征工程（中）.vep 3-5 如何做好特征工程（下）.vep 3-7 用pandas可视化数据（上）.vep 3-8 用pandas可视化数据（下）.vep 3-9 Spark---业界最流行的大数据框架.vep 3-10 用Spark处理特征（上）.vep 3-11 用Spark处理特征（下）.vep 📁 第4阶段 【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）.mp4 4-2 召回层---如何快速筛选出用户喜欢的物品（下）.mp4 4-3 如何将Word2Vec用于推荐（上）.mp4 4-4 如何将Word2Vec用于推荐（下）.mp4 4-5 实现Item2Vec（上）.mp4 4-6 实现Item2Vec（中）.mp4 4-7 实现Item2Vec（下）.mp4 4-8 用Redis存储Embedding.mp4 4-9 最近邻查找算法---如何使用Embedding（上）.mp4 4-10 最近邻查找算法---如何使用Embedding（下）.mp4 4-11 用FAISS实现LSH.mp4 4-12 召回服务最终完善.mp4 📁 第5阶段 【排序】对推荐结果进行精确排序 📁 第6阶段 【效果评估】衡量推荐结果的好坏 📁 第7阶段 【深入学习】工程中的实践问题探讨 📁 第7阶段 【深入学习】工程中的实践问题探讨-下 📁 第8阶段 【结语】前沿拓展
适合人群
- 数据工程师
- 算法工程师
- 产品经理
学习收获
掌握推荐系统架构
提升实战能力
优化推荐效果
祝您学习愉快！
学有所成，前程似锦！
课程目录
第1章 【前言】初探推荐系统 1-1 前言–关于这门课 (11:34) 1-2 推荐系统是什么 (17:01) 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 2-1 典型的推荐系统架构是什么样的（上） (18:20) 2-2 典型的推荐系统架构是什么样的（下） (13:49) 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 (15:56) 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） (14:14) 2-7 后端服务框架搭建—召回服务（中） (16:36) 2-8 后端服务框架搭建—召回服务（下） (15:49) 2-9 后端服务框架搭建-排序与API服务 (13:45) 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 (04:12) 2-12 【梳理】推荐系统常用特征 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 3-1 特征工程—为推荐系统准备食材（上） (09:44) 3-2 特征工程—为推荐系统准备食材（下） (16:04) 3-3 如何做好特征工程（上） (16:43) 3-4 如何做好特征工程（中） (17:09) 3-5 如何做好特征工程（下） (20:26) 3-6 数据爬虫的编订 3-7 用pandas可视化数据（上） (19:15) 3-8 用pandas可视化数据（下） (13:26) 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 (18:26) 3-11 用Spark处理特征（上） (19:34) 3-12 用Spark处理特征（下） (12:35) 3-13 如何采集用户行为数据 (24:50) 3-14 使用Kafka和Cassandra处理行为数据（上） (13:55) 3-15 使用Kafka和Cassandra处理行为数据（下） (12:54) 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 第4章 【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） (18:07) 4-2 召回层—如何快速筛选出用户喜欢的物品（下） (13:13) 4-3 如何将Word2Vec用于推荐（上） (13:02) 4-4 如何将Word2Vec用于推荐（下） (11:30) 4-5 实现Item2Vec（上） (13:26) 4-6 实现Item2Vec（中） (15:00) 4-7 实现Item2Vec（下） (20:18) 4-8 【任务】Node2Vec中的两种不同策略得优劣 4-9 用Redis存储Embedding (16:47) 4-10 最近邻查找算法—如何使用Embedding（上） (18:36) 4-11 最近邻查找算法—如何使用Embedding（下） (14:22) 4-12 用FAISS实现LSH (12:26) 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 (17:51) 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 5-1 排序层—如何活动最精确的结果排序 (13:50) 5-2 协同过滤—最经典的排序算法 (12:14) 5-3 协同过滤算法实现 (15:38) 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 (21:58) 5-6 TensorFlow—业界最著名的深度学习框架 (19:46) 5-7 用三个例子体验TensorFlow（上） (19:54) 5-8 用三个例子体验TensorFlow（下） (13:39) 5-9 MLP—最经典的深度学习模型 (24:14) 5-10 深度学习需要的特征如何处理（上） (18:52) 5-11 深度学习需要的特征如何处理（下） (18:11) 5-12 如何保存线上服务特征 (13:45) 5-13 搭建并训练MLP模型（上） (13:39) 5-14 搭建并训练MLP模型（中） (13:42) 5-15 搭建并训练MLP模型（下） (18:09) 5-16 模型调优怎么做（1） (14:32) 5-17 模型调优怎么做（2） (11:42) 5-18 模型调优怎么做（3） (09:45) 5-19 模型调优怎么做（4） (22:57) 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 (24:20) 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 6-1 如何衡量推荐系统的好坏（上） (21:29) 6-2 如何衡量推荐系统的好坏（下） (20:30) 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 (19:34) 6-5 代码实现AB测试功能（上） (15:09) 6-6 代码实现AB测试功能（下） (13:34) 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 7-1 实践问题—如何解决冷启动（上） (19:03) 7-2 实践问题—如何解决冷启动（下） (21:04) 7-3 实践问题—如何增强系统实时性（上） (18:16) 7-4 实践问题—如何增强系统实时性（下） (10:51) 7-5 用Flink处理用户实时行为反馈（上） (25:51) 7-6 用Flink处理用户实时行为反馈（中） (18:39) 7-7 用Flink处理用户实时行为反馈（下） (19:46) 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 第8章 【结语】前沿拓展 8-1 拓展篇之强化学习 (28:27) 8-2 前沿拓展之Wide&Cross模型（上） (15:20) 8-3 前沿拓展之Wide&Cross模型（下） (13:00) 8-4 回顾+结语 (25:11)
