课程目录
1-1 [推荐系统概述（上）] 课程内容介绍 (10:45) 1-2 [推荐系统概述（上）] 为什么会出现推荐系统？ (19:48) 1-3 [推荐系统概述（上）] 推荐系统的常见形式 (12:18) 1-4 [推荐系统概述（上）] 推荐系统算法的基本思路 (18:15) 1-5 [推荐系统概述（上）] 推荐系统评测的三大步骤 (11:06) 1-6 [推荐系统概述（上）] 怎样才能算一个好的推荐系统？ (11:50) 1-7 [推荐系统概述（上）] 推荐系统的评估：准确率 (14:05) 1-8 [推荐系统概述（上）] 推荐系统的评估：其余指标 (12:04) 1-9 [推荐系统概述（上）] 本课程案例数据及文档下载 (10) 2-1 [推荐系统概述（下）] 推荐系统常用的相似度指标 (10:07) 2-2 [推荐系统概述（下）] 推荐系统中的一些基础模型 (12:26) 2-3 [推荐系统概述（下）] 电影评分数据集简介 (07:54) 2-4 [推荐系统概述（下）] 云音乐数据集简介 (20:50) 2-5 [推荐系统概述（下）] 云音乐数据集的预处理 (11:14) 3-1 [Suprise包使用入门] Surpise包简介 (07:03) 3-2 [Suprise包使用入门] Surpise包实战：读取数据 (10:11) 3-3 [Suprise包使用入门] Surpise包实战：数据拆分 (08:41) 3-4 [Suprise包使用入门] Surpise包实战：模型的拟合与评估 (14:30) 3-5 [Suprise包使用入门] Surpise包实战：将结果用于推荐 (11:36) 4-1 [协同过滤] 协同过滤概述 (17:57) 4-2 [协同过滤] ItemCF方法 (10:55) 4-3 [协同过滤] UserCF方法 (11:07) 4-4 [协同过滤] 【复习】KNN的基本原理 (13:51) 4-5 [协同过滤] ML100k案例：筛选算法框架 (13:19) 4-6 [协同过滤] ML100k案例：模型参数调优 (10:40) 4-7 [协同过滤] ML100k案例：将结果用于推荐 (11:43) 5-1 [矩阵分解] 【复习】主成分分析的基本原理 (17:30) 5-2 [矩阵分解] SVD的基本原理 (09:56) 5-3 [矩阵分解] 如何将SVD用于推荐系统 (17:19) 5-4 [矩阵分解] SVD++与NMF简介 (05:41) 5-5 [矩阵分解] ML1m案例 (15:09) 6-1 [基于内容的推荐算法] CB类方法的基本原理 (17:04) 6-2 [基于内容的推荐算法] 【复习】词袋模型 (07:33) 6-3 [基于内容的推荐算法] 【复习】用sklearn生成文档-词条矩阵 (11:41) 6-4 [基于内容的推荐算法] ML案例：基于词频矩阵实现 (12:44) 6-5 [基于内容的推荐算法] 【复习】关键词提取的基本思路 (06:43) 6-6 [基于内容的推荐算法] 【复习】TF-IDF算法 (05:53) 6-7 [基于内容的推荐算法] ML案例：基于TF-IDF实现 (08:52) 7-1 [结合文本挖掘进行推荐] 如何将文本挖掘技术和内容推荐相结合 (07:40) 7-2 [结合文本挖掘进行推荐] 【复习】分词原理简介 (08:02) 7-3 [结合文本挖掘进行推荐] 【复习】结巴分词的基本用法 (06:38) 7-4 [结合文本挖掘进行推荐] 【复习】使用自定义词典和搜狗细胞词库 (09:55) 7-5 [结合文本挖掘进行推荐] 【复习】去除停用词 (11:07) 7-6 [结合文本挖掘进行推荐] 云音乐案例：基于词袋模型进行推荐 (09:34) 7-7 [结合文本挖掘进行推荐] 【复习】从词袋模型到N-gram模型 (06:50) 7-8 [结合文本挖掘进行推荐] 【复习】文本信息的分布式表示 (09:51) 7-9 [结合文本挖掘进行推荐] 【复习】共现矩阵 (05:56) 7-10 [结合文本挖掘进行推荐] 【复习】NNLM模型的突破 (05:19) 7-11 [结合文本挖掘进行推荐] 【复习】word2vec一出，满座皆惊 (15:17) 7-12 [结合文本挖掘进行推荐] 【复习】文档相似度的doc2vec实现 (09:55) 7-13 [结合文本挖掘进行推荐] 云音乐案例：基于词向量模型进行推荐 (07:02) 8-1 [基于列表序列进行推荐] 如何基于列表序列进行推荐 (10:29) 8-2 [基于列表序列进行推荐] 【复习】关联分析的数据格式与结果格式 (14:58) 8-3 [基于列表序列进行推荐] 【复习】Apriori算法的原理与实现 (15:59) 8-4 [基于列表序列进行推荐] 云音乐案例：基于关联分析进行推荐 (09:07) 8-5 [基于列表序列进行推荐] 【复习】词条相似度：word2vec训练 (10:07) 8-6 [基于列表序列进行推荐] 【复习】词条相似度：word2vec应用 (09:24) 8-7 [基于列表序列进行推荐] 云音乐案例：基于词向量模型进行推荐 (07:02) 9-1 [聚类方法在推荐系统中的应用] 【复习】聚类分析概述 (15:22) 9-2 [聚类方法在推荐系统中的应用] 【复习】聚类分析的方法分类 (10:01) 9-3 [聚类方法在推荐系统中的应用] 【复习】BIRCH聚类 (16:10) 9-4 [聚类方法在推荐系统中的应用] 聚类分析在推荐系统中的应用思路 (10:59) 9-5 [聚类方法在推荐系统中的应用] 云音乐案例：数据准备 (17:11) 9-6 [聚类方法在推荐系统中的应用] 云音乐案例：具体建模操作 (20:22) 10-1 [冷启动问题] 冷启动概述 (16:57) 10-2 [冷启动问题] 用户冷启动的实现案例 (09:52) 10-3 [冷启动问题] 物品冷启动的实现案例 (11:34)
