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
评论0