推荐系统三十六式

2018-12-1023:14:37 发表评论 929 ℃

推荐系统三十六式

课程简介:

最近十年尤其最近五年,借助推荐系统的技术和名头,异军突起的互联网产品越来越多,推荐系统成了互联网产品的标配。甚至有人说在未来,推荐系统会成为所有数据型产品的标配。
而推荐系统前方的技术蓬勃发展,后方却落地困难。审视推荐系统的技术应用现状,大厂们一骑绝尘,太多中小厂的工程师们还不知道一个推荐系统如何从 0 到 1 诞生,需要去了解哪些知识。
本专栏为推荐系统学习者架构起整体的知识脉络,并在此基础上补充实践案例与经验,力图解决你系统起步阶段 80% 的问题。
官方课程链接:https://time.geekbang.org/column/intro/74

课程目录:

开篇词 | 用知识去对抗技术不平等

【概念篇】你真的需要个性化推荐系统吗?

【概念篇】个性化推荐系统那些绕不开的经典问题

【概念篇】这些你必须应该具备的思维模式

【内容推荐】画鬼容易画人难:用户画像的“能”和“不能”

【内容推荐】从文本到用户画像有多远

【内容推荐】超越标签的内容推荐系统

【近邻推荐】人以群分,你是什么人就看到什么世界

【近邻推荐】解密“看了又看”和“买了又买”

【近邻推荐】协同过滤中的相似度计算方法有哪些

【矩阵分解】那些在Netflix Prize中大放异彩的推荐算法

【矩阵分解】Facebook是怎么为十亿人互相推荐好友的

【矩阵分解】如果关注排序效果,那么这个模型可以帮到你

【模型融合】经典模型融合办法:线性模型和树模型的组合拳

【模型融合】一网打尽协同过滤、矩阵分解和线性模型

【模型融合】深度和宽度兼具的融合模型 Wide and Deep

【MAB问题】简单却有效的Bandit算法

【MAB问题】结合上下文信息的Bandit算法

【MAB问题】如何将Bandit算法与协同过滤结合使用

深度学习深度学习在推荐系统中的应用有哪些?

【深度学习】用RNN构建个性化音乐播单

【其他应用算法】构建一个科学的排行榜体系

【其他应用算法】实用的加权采样算法

【其他应用算法】推荐候选池的去重策略

【常见架构】典型的信息流架构是什么样的

【常见架构】Netflix个性化推荐架构

【常见架构】总览推荐架构和搜索、广告的关系

【关键模块】巧妇难为无米之炊:数据采集关键要素

【关键模块】让你的推荐系统反应更快:实时推荐

【关键模块】让数据驱动落地,你需要一个实验平台

【关键模块】 推荐系统服务化、存储选型及API设计

【效果保证】推荐系统的测试方法及常用指标介绍

【效果保证】道高一尺魔高一丈:推荐系统的攻防

【开源工具】和推荐系统有关的开源工具及框架介绍

【产品篇】推荐系统在互联网产品商业链条中的地位

【产品篇】说说信息流的前世今生

【团队篇】组建推荐团队及工程师的学习路径

推荐系统的参考阅读

【尾声】遇“荐”之后,江湖再见

恭喜,此资源为免费资源,请先
付款问题请加客服qq/vx:768624766 备注(猴头客) 链接失效请评论在下方【链接失效】 我会在当晚补上
猴头客

发表评论

:?: :razz: :sad: :evil: :!: :smile: :oops: :grin: :eek: :shock: :???: :cool: :lol: :mad: :twisted: :roll: :wink: :idea: :arrow: :neutral: :cry: :mrgreen: