全局视角系统学习《推荐系统》，实战中提升竞争力|完结

• 第1章 【前言】初探推荐系统3 节 | 37分钟本章中，将对课程内容安排和知识脉络进行介绍，帮助大家对推荐系统及应用价值有一个系统的认知。
  • 视频：1-1 前言–关于这门课 (11:34)
  • 视频：1-2 推荐系统是什么 (17:01)
  • 视频：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13 节 | 113分钟本章我们将一起来认识经典推荐系统的分层架构，了解一个推荐系统由哪些组件构成，以及各自的作用；我们会一起用python搭建起课程项目的基本框架，并尝试端到端地运行起整个项目。
  • 视频：2-1 典型的推荐系统架构是什么样的（上） (18:20)
  • 视频：2-2 典型的推荐系统架构是什么样的（下） (13:49)
  • 图文：2-3 推荐系统架构 — 如何设计一个推荐系统
  • 视频：2-4 课程项目介绍和技术选型 (15:56)
  • 图文：2-5 课程项目微服务API定义
  • 视频：2-6 后端服务框架搭建—召回服务（上） (14:14)
  • 视频：2-7 后端服务框架搭建—召回服务（中） (16:36)
  • 视频：2-8 后端服务框架搭建—召回服务（下） (15:49)
  • 视频：2-9 后端服务框架搭建-排序与API服务 (13:45)
  • 作业：2-10 【任务】对于“相似推荐”常见是否也需要一个接口呢？
  • 视频：2-11 课程项目前端页面搭建 (04:12)
  • 图文：2-12 【梳理】推荐系统常用特征
  • 图文：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18 节 | 216分钟俗话说“巧妇难为无米之炊”，特征处理在任何推荐系统中都是至关重要的。本章中我们会一起学习不同特征的特点以及如何使用Spark对其进行处理。
  • 视频：3-1 特征工程—为推荐系统准备食材（上） (09:44)
  • 视频：3-2 特征工程—为推荐系统准备食材（下） (16:04)
  • 视频：3-3 如何做好特征工程（上） (16:43)
  • 视频：3-4 如何做好特征工程（中） (17:09)
  • 视频：3-5 如何做好特征工程（下） (20:26)
  • 图文：3-6 数据爬虫的编订
  • 视频：3-7 用pandas可视化数据（上） (19:15)
  • 视频：3-8 用pandas可视化数据（下） (13:26)
  • 作业：3-9 【任务】按要求找出物品信息
  • 视频：3-10 Spark—业界最流行的大数据框架 (18:26)
  • 视频：3-11 用Spark处理特征（上） (19:34)
  • 视频：3-12 用Spark处理特征（下） (12:35)
  • 视频：3-13 如何采集用户行为数据 (24:50)
  • 视频：3-14 使用Kafka和Cassandra处理行为数据（上） (13:55)
  • 视频：3-15 使用Kafka和Cassandra处理行为数据（下） (12:54)
  • 作业：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
  • 图文：3-17 【梳理】特征处理方法
  • 图文：3-18 【梳理】重难点概览
• 第4章 【召回】筛选出用户的心头好15 节 | 185分钟召回层作为推荐系统的第一道筛选流程，负责将数以百万记的物品进行过滤。在本章中我们会学习怎么设计各种召回策略，以及利用Embedding等技术快速找到匹配用户喜好的物品。
  • 视频：4-1 召回层—如何快速筛选出用户喜欢的物品（上） (18:07)
  • 视频：4-2 召回层—如何快速筛选出用户喜欢的物品（下） (13:13)
  • 视频：4-3 如何将Word2Vec用于推荐（上） (13:02)
  • 视频：4-4 如何将Word2Vec用于推荐（下） (11:30)
  • 视频：4-5 实现Item2Vec（上） (13:26)
  • 视频：4-6 实现Item2Vec（中） (15:00)
  • 视频：4-7 实现Item2Vec（下） (20:18)
  • 作业：4-8 【任务】Node2Vec中的两种不同策略得优劣
  • 视频：4-9 用Redis存储Embedding (16:47)
  • 视频：4-10 最近邻查找算法—如何使用Embedding（上） (18:36)
  • 视频：4-11 最近邻查找算法—如何使用Embedding（下） (14:22)
  • 视频：4-12 用FAISS实现LSH (12:26)
  • 作业：4-13 【任务】认识一下其他算法与LSH得优缺点
  • 视频：4-14 召回服务最终完善 (17:51)
  • 图文：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22 节 | 321分钟在一次推荐请求中，用户最终浏览到的结果条目往往十分有限，因此我们需要排序层来对召回的结果进行精确排序，从而提高推荐效果。本章我们会学习如何使用深度学习模型完成排序任务。
  • 视频：5-1 排序层—如何活动最精确的结果排序 (13:50)
  • 视频：5-2 协同过滤—最经典的排序算法 (12:14)
  • 视频：5-3 协同过滤算法实现 (15:38)
  • 作业：5-4 【任务】使用Spark ALS实现协同过滤
  • 视频：5-5 深度学习—革命性的机器学习模型 (21:58)
  • 视频：5-6 TensorFlow—业界最著名的深度学习框架 (19:46)
  • 视频：5-7 用三个例子体验TensorFlow（上） (19:54)
  • 视频：5-8 用三个例子体验TensorFlow（下） (13:39)
  • 视频：5-9 MLP—最经典的深度学习模型 (24:14)
  • 视频：5-10 深度学习需要的特征如何处理（上） (18:52)
  • 视频：5-11 深度学习需要的特征如何处理（下） (18:11)
  • 视频：5-12 如何保存线上服务特征 (13:45)
  • 视频：5-13 搭建并训练MLP模型（上） (13:39)
  • 视频：5-14 搭建并训练MLP模型（中） (13:42)
  • 视频：5-15 搭建并训练MLP模型（下） (18:09)
  • 视频：5-16 模型调优怎么做（1） (14:32)
  • 视频：5-17 模型调优怎么做（2） (11:42)
  • 视频：5-18 模型调优怎么做（3） (09:45)
  • 视频：5-19 模型调优怎么做（4） (22:57)
  • 作业：5-20 【任务】选择合适得参数找出最优
  • 视频：5-21 利用深度学习模型完善排序服务 (24:20)
  • 图文：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7 节 | 91分钟至此我们已经完成搭建了一个推荐系统，那么这个系统的效果究竟如何？是否能满足真实线上用户的需求呢？这些问题往往不能仅仅从某个单一指标得出结论。因此在这一章中我们会学习衡量推荐系统好坏的各种不同方法。
  • 视频：6-1 如何衡量推荐系统的好坏（上） (21:29)
  • 视频：6-2 如何衡量推荐系统的好坏（下） (20:30)
  • 作业：6-3 【任务】关于推荐系统的评价标准得思考
  • 视频：6-4 在线评价系统的方法：AB测试 (19:34)
  • 视频：6-5 代码实现AB测试功能（上） (15:09)
  • 视频：6-6 代码实现AB测试功能（下） (13:34)
  • 图文：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9 节 | 134分钟我始终坚信实践和理论同样重要，要真正完成一个工业级推荐系统势必会遇到诸多实践问题，本章我们讲解其中几个最经典的问题。
  • 视频：7-1 实践问题—如何解决冷启动（上） (19:03)
  • 视频：7-2 实践问题—如何解决冷启动（下） (21:04)
  • 视频：7-3 实践问题—如何增强系统实时性（上） (18:16)
  • 视频：7-4 实践问题—如何增强系统实时性（下） (10:51)
  • 视频：7-5 用Flink处理用户实时行为反馈（上） (25:51)
  • 视频：7-6 用Flink处理用户实时行为反馈（中） (18:39)
  • 视频：7-7 用Flink处理用户实时行为反馈（下） (19:46)
  • 作业：7-8 【任务】能否利用其他召回策略进行物品构建
  • 图文：7-9 【拓展】Flink中的时间
• 第8章 【结语】前沿拓展4 节 | 82分钟想要成为一个优秀的推荐系统工程师我们要做到“仰望星空，脚踏实地”。本章会给大家介绍一些业界前沿的技术和模型，希望对同学们有所启发。

【网盘链接】：