获取相关资料

手把手带你搭建推荐系统

手把手带你搭建推荐系统

手把手带你搭建推荐系统

资源简介:

资源大小:151 MB

手把手带你搭建推荐系统资源简介:

在这门课程中,我希望给你展现的不仅仅包括推荐算法,还包含了一整套推荐系统的工程化方案,也就是算法和工程双管齐下,让你在一个循序渐进的过程里,扎实走好每一步。因为在真实的生产实践当中,你不是一个人在战斗,你要和你的上下游一起去做一套完整的系统,要关注推荐系统算法对整个工程的影响。

在我们推荐系统的搭建过程中,一个特点是环环相扣。所谓环环相扣,就是指我们在前面所做的工作,一定会被后面所用到。比如,我们爬取的数据会被我们做成数据集,数据集会做成内容画像。而内容画像会用在召回算法中,并产生召回集。产生的召回集又会进入到排序算法,根据用户画像的内容,生成用户对应的推荐列表,然后再根据推荐系统的需要,对排序后的内容进行重排序。

课程目录

开篇词从企业级项目开始,进阶推荐系统.mp3

开篇词从企业级项目开始,进阶推荐系统.pdf

01推荐系统:我们应该怎样学习推荐系统?.md

01推荐系统:我们应该怎样学习推荐系统?.mp3

01推荐系统:我们应该怎样学习推荐系统?.pdf

02Netflix推荐系统:企业级的推荐系统架构是怎样的?.md

02Netflix推荐系统:企业级的推荐系统架构是怎样的?.mp3

02Netflix推荐系统:企业级的推荐系统架构是怎样的?.pdf

03数据处理:我们应该如何获取和处理数据?.md

03数据处理:我们应该如何获取和处理数据?.mp3

03数据处理:我们应该如何获取和处理数据?.pdf

04MongoDB:如何安装和使用MongoDB数据库?.md

04MongoDB:如何安装和使用MongoDB数据库?.mp3

04MongoDB:如何安装和使用MongoDB数据库?.pdf

05Redis:如何安装和使用Redis数据库?.md

05Redis:如何安装和使用Redis数据库?.mp3

05Redis:如何安装和使用Redis数据库?.pdf

06网络爬虫:爬取一个网站的流程是怎样的?.md

06网络爬虫:爬取一个网站的流程是怎样的?.mp3

06网络爬虫:爬取一个网站的流程是怎样的?.pdf

07数据获取:什么是Scrapy框架?.md

07数据获取:什么是Scrapy框架?.mp3

07数据获取:什么是Scrapy框架?.pdf

08数据获取:如何使用Scrapy框架爬取新闻数据?.md

08数据获取:如何使用Scrapy框架爬取新闻数据?.mp3

08数据获取:如何使用Scrapy框架爬取新闻数据?.pdf

09数据存储:如何将爬取到的数据存入数据库中?.md

09数据存储:如何将爬取到的数据存入数据库中?.mp3

09数据存储:如何将爬取到的数据存入数据库中?.pdf

10数据加工:如何将原始数据做成内容画像?.md

10数据加工:如何将原始数据做成内容画像?.mp3

10数据加工:如何将原始数据做成内容画像?.pdf

11基于规则的召回:如何使用规则找到用户的兴趣点?.md

11基于规则的召回:如何使用规则找到用户的兴趣点?.mp3

11基于规则的召回:如何使用规则找到用户的兴趣点?.pdf

12基于热度的召回:如何使用热门内容来吸引用户?.md

12基于热度的召回:如何使用热门内容来吸引用户?.mp3

12基于热度的召回:如何使用热门内容来吸引用户?.pdf

13基于关键词的召回:如何使用关键词吸引用户?.md

13基于关键词的召回:如何使用关键词吸引用户?.mp3

13基于关键词的召回:如何使用关键词吸引用户?.pdf

14基于Flask的推荐服务:搭建基础的Flask服务.md

14基于Flask的推荐服务:搭建基础的Flask服务.mp3

14基于Flask的推荐服务:搭建基础的Flask服务.pdf

15基于Flask的推荐服务:如何把召回集推荐出去?.md

15基于Flask的推荐服务:如何把召回集推荐出去?.mp3

15基于Flask的推荐服务:如何把召回集推荐出去?.pdf

16基础用户画像:如何用好用户的注册信息?.md

16基础用户画像:如何用好用户的注册信息?.mp3

16基础用户画像:如何用好用户的注册信息?.pdf

17推荐系统前端:如何用一个界面展示我们的成果?.md

17推荐系统前端:如何用一个界面展示我们的成果?.mp3

17推荐系统前端:如何用一个界面展示我们的成果?.pdf

18一个简单的推荐服务闭环包括哪些模块?.md

18一个简单的推荐服务闭环包括哪些模块?.mp3

18一个简单的推荐服务闭环包括哪些模块?.pdf

19协同过滤:召回算法中永远不落幕的经典.md

19协同过滤:召回算法中永远不落幕的经典.mp3

19协同过滤:召回算法中永远不落幕的经典.pdf

20Embedding:深入挖掘用户底层特征.md

20Embedding:深入挖掘用户底层特征.mp3

20Embedding:深入挖掘用户底层特征.pdf

21YouTubeDNN:召回算法的后起之秀(上).md

21YouTubeDNN:召回算法的后起之秀(上).mp3

21YouTubeDNN:召回算法的后起之秀(上).pdf

22YouTubeDNN:召回算法的后起之秀(下).md

22YouTubeDNN:召回算法的后起之秀(下).mp3

22YouTubeDNN:召回算法的后起之秀(下).pdf

23流程串联:数据处理和协同过滤串联进行内容推荐.md

23流程串联:数据处理和协同过滤串联进行内容推荐.mp3

23流程串联:数据处理和协同过滤串联进行内容推荐.pdf

24GBDT+LR:排序算法经典中的经典.md

24GBDT+LR:排序算法经典中的经典.mp3

24GBDT+LR:排序算法经典中的经典.pdf

25DeepFM:如何使用深度学习技术给数据排序?.md

25DeepFM:如何使用深度学习技术给数据排序?.mp3

25DeepFM:如何使用深度学习技术给数据排序?.pdf

26重排序:如何对排序后的内容进行微调?.md

26重排序:如何对排序后的内容进行微调?.mp3

26重排序:如何对排序后的内容进行微调?.pdf

27部署:如何在Linux上配合定时任务部署推荐系统服务?.md

27部署:如何在Linux上配合定时任务部署推荐系统服务?.mp3

27部署:如何在Linux上配合定时任务部署推荐系统服务?.pdf

28珠联璧合:Kafka与推荐服务的联动.md

28珠联璧合:Kafka与推荐服务的联动.mp3

28珠联璧合:Kafka与推荐服务的联动.pdf

29推荐系统的工程化策略及服务部署策略.md

29推荐系统的工程化策略及服务部署策略.mp3

29推荐系统的工程化策略及服务部署策略.pdf

30推荐系统的后处理及日志回采.md

30推荐系统的后处理及日志回采.mp3

30推荐系统的后处理及日志回采.pdf

结束语如何成为企业中不可或缺的推荐系统工程师?.md

结束语如何成为企业中不可或缺的推荐系统工程师?.mp3

结束语如何成为企业中不可或缺的推荐系统工程师?.pdf

0
分享到:

评论0

  • 昵称 (必填)
  • 邮箱 (必填)
  • 网址