课程介绍

Spark2.x+协同过滤算法是一种常用的推荐系统算法，它基于用户之间的相似性或物品之间的关联性来预测用户对物品的兴趣程度，从而实现个性化推荐。

在Spark2.x+协同过滤算法中，常用的有基于用户的协同过滤和基于物品的协同过滤两种方法。基于用户的协同过滤算法主要是通过计算用户之间的相似性来预测用户对物品的兴趣程度，常用的方法有皮尔逊相关系数、余弦相似性等。基于物品的协同过滤算法主要是通过计算物品之间的关联性来预测用户对物品的兴趣程度。

开发企业级个性化推荐系统需要以下几个步骤：

确定系统需求：首先需要明确系统的功能和目标用户，了解用户的需求和偏好，以及系统的性能和资源限制等。

选取合适的数据源和数据预处理：推荐系统需要使用用户的行为数据和物品属性数据，这些数据需要进行清洗、去重、格式化和标准化等预处理操作。

选择合适的算法：根据系统需求和数据特点，选择合适的协同过滤算法或其它推荐算法，并对其进行优化和调参。

设计模型架构：根据系统的需求和算法的特点，设计合理的模型架构，包括数据存储、计算引擎、并行处理等方面。

实现算法和系统开发：根据设计好的模型架构，实现协同过滤算法和其他相关功能，并进行测试和优化。

部署和维护：将系统部署到生产环境，并进行定期的维护和优化，以确保系统的稳定性和性能。

开发企业级个性化推荐系统需要一定的技术积累和实践经验，需要掌握相关的算法、数据结构和编程语言等知识。同时，还需要对推荐系统的应用场景和业务需求有深入的了解，才能更好地实现个性化推荐功能。

课程中可以详细介绍Spark2.x+协同过滤算法的实现原理、优缺点、适用场景等基础知识，并结合具体案例和实际应用场景进行讲解和演示，帮助学员更好地理解和掌握该算法。同时，课程中还可以介绍如何选择合适的数据源和数据预处理方法、如何设计合理的模型架构、如何实现算法和系统开发等实际操作方面的知识，并给出相应的案例和实践经验分享。此外，课程中还可以介绍如何进行系统测试、优化和维护等方面的知识，帮助学员更好地应对实际应用中的问题和挑战。

课程目录

8-001-【imooc】课程汇总/
│【imooc-431】-Spark2.x+协同过滤算法，开发企业级个性化推荐系统【完结无密】/
││├─第01章 课程介绍与学习指南
││├─第02章 了解推荐系统的生态
││├─第03章 给学习算法打基础
││├─第04章 详解协同过滤推荐算法原理
││├─第05章 Spark内置推荐算法ALS原理
││├─第06章 推荐系统搭建——需求分析和环境搭建
││├─第07章 推荐系统搭建——UI界面模块
││├─第08章 推荐系统搭建——数据层
││├─第09章 推荐系统搭建——推荐引擎
││├─第10章 推荐系统搭建——推荐结果存储
││├─第11章 推荐系统搭建——推荐效果评估模块
││├─第12章 知识拓展——基于关联规则的推荐算法
││├─第13章 知识拓展——基于机器学习的推荐算法
││├─第14章 知识拓展——基于内容的推荐算法
││├─课程资料

详细目录

││第01章 课程介绍与学习指南/
│││├─1-1 课程介绍及导学.mp4 25MB
││第02章 了解推荐系统的生态/
│││├─2-2 推荐系统的关键元素和思维模式.mp4 27.2MB
│││├─2-3 推荐算法的主要分类.mp4 33.1MB
│││├─2-4 推荐系统常见的问题.mp4 17.6MB
│││├─2-5 推荐系统效果评测.mp4 39MB
││第03章 给学习算法打基础/
│││├─3-2 推荐系统涉及的数学知识.mp4 19.1MB
│││├─3-3 推荐系统涉及的概率统计知识.mp4 30.8MB
││第04章 详解协同过滤推荐算法原理/
│││├─4-10 基于模型的协同过滤.mp4 8.9MB
│││├─4-11 基于矩阵分解模型的两种算法：SVD和PMF.mp4 53.3MB
│││├─4-12 缺失值填充.mp4 91.3MB
│││├─4-2 本章作业.mp4 7MB
│││├─4-3 协同过滤的数学知识：最小二乘法.mp4 46.2MB
│││├─4-4 协同过滤的数学知识：梯度下降法.mp4 85MB
│││├─4-5 协同过滤的数学知识：余弦相似度.mp4 43.4MB
│││├─4-6 什么是user-based的协同过滤.mp4 65.4MB
│││├─4-7 基于Spark实现user-based协同过滤.mp4 70.9MB
│││├─4-8 什么是item-based协同过滤.mp4 54MB
│││├─4-9 基于Spark实现item-based协同过滤.mp4 68.8MB
││第05章 Spark内置推荐算法ALS原理/
│││├─5-1 ALS 算法原理.mp4 13.3MB
│││├─5-2 ALS 算法在Spark上的实现.mp4 112.4MB
│││├─5-3 ALS 算法在 Spark 上的源码分析.mp4 78.3MB
││第06章 推荐系统搭建——需求分析和环境搭建/
│││├─6-2 项目需求分析 技术分解 模块设计.mp4 8.8MB
│││├─6-3 开发环境搭建.mp4 84.1MB
│││├─6-4 环境问题 工具问题 版本问题.mp4 25.5MB
││第07章 推荐系统搭建——UI界面模块/
│││├─7-1 VUE+ElementUI简单入门.mp4 41.4MB
│││├─7-2 用户访问页面实现.mp4 48.2MB
│││├─7-3 AB Test 控制台页面（上）.mp4 47.1MB
│││├─7-4 AB Test 控制台页面（下）.mp4 90.8MB
││第08章 推荐系统搭建——数据层/
│││├─8-1 数据上报（上）.mp4 72.3MB
│││├─8-2 数据上报（下）.mp4 107.1MB
│││├─8-3 日志清洗和格式化数据（上）.mp4 107MB
│││├─8-4 日志清洗和格式化数据（中）.mp4 105.1MB
│││├─8-5 日志清洗和格式化数据（下）.mp4 115.1MB
│││├─8-6 分析用户行为和商品属性.mp4 15.1MB
││第09章 推荐系统搭建——推荐引擎/
│││├─9-1 基于用户行为构建评分矩阵.mp4 26.4MB
│││├─9-10 实时推荐：通过FTRL更新特征权重-代码实现.mp4 63.7MB
│││├─9-11 离线推荐和实时推荐项目梳理.mp4 56.4MB
│││├─9-2 离线推荐：基于用户角度召回策略筛选候选集（上）.mp4 84.2MB
│││├─9-3 离线推荐：基于用户角度召回策略筛选候选集（下）.mp4 100MB
│││├─9-4 离线推荐：基于物品角度召回策略筛选候选集（上）.mp4 150.8MB
│││├─9-5 离线推荐：基于物品角度召回策略筛选候选集（下）.mp4 119.5MB
│││├─9-6 离线推荐：写特征向量到HBase.mp4 16.2MB
│││├─9-7 离线推荐：基于模型的排序.mp4 31.5MB
│││├─9-8 实时推荐：Storm解析用户行为.mp4 82.7MB
│││├─9-9 实时推荐：通过FTRL更新特征权重-原理.mp4 20MB
││第10章 推荐系统搭建——推荐结果存储/
│││├─10-1 数仓ODS和DWD层搭建.mp4 20.7MB
│││├─10-2 搭建用户行为日志数据仓库.mp4 46.5MB
│││├─10-3 利用外部分区表存储用户行为.mp4 45.8MB
││第11章 推荐系统搭建——推荐效果评估模块/
│││├─11-1 AB Test.mp4 8.1MB
│││├─11-2 AB Test的分流管理.mp4 9.8MB
│││├─11-3 搭建AB Test 实验控制台（上）.mp4 110.2MB
│││├─11-4 搭建AB Test 实验控制台（下）.mp4 56.2MB
│││├─11-5 常用评测指标.mp4 9.3MB
││第12章 知识拓展——基于关联规则的推荐算法/
│││├─12-1 基于Apriori的关联算法.mp4 13.7MB
│││├─12-2 基于Spark实现Apriori算法（上）.mp4 71.2MB
│││├─12-3 基于Spark实现Apriori算法（下）.mp4 104MB
│││├─12-4 基于FP-Growth的关联算法.mp4 21.3MB
│││├─12-5 基于Spark实现FP-Growth算法.mp4 64.6MB
││第13章 知识拓展——基于机器学习的推荐算法/
│││├─13-1 RBM神经网络.mp4 11.8MB
│││├─13-2 CNN卷积神经网络.mp4 16.8MB
│││├─13-3 RNN循环神经网络.mp4 21.8MB
││第14章 知识拓展——基于内容的推荐算法/
│││├─14-1 文本向量化.mp4 19.5MB
│││├─14-2 基于Spark实现TF-IDF.mp4 78.7MB
│││├─14-3 课程总结.mp4 35.7MB
││课程资料/
│││├─代码(双击自解压).exe 10.9MB