课程介绍

全局视角系统学习《推荐系统》，实战中提升竞争力是一门关于推荐系统的学习课程。推荐系统是一种能够根据用户的历史行为和个人偏好，为用户提供个性化推荐的技术。在现代互联网和电子商务中，推荐系统已经成为了提升用户体验和增加销售额的重要工具。

这门课程旨在帮助学习者全面了解推荐系统的原理、方法和应用。课程内容包括推荐系统的基本概念和发展历程、推荐系统的算法和模型、推荐系统的评估和优化方法等。学习者将通过理论学习和实践项目，掌握推荐系统的设计和实现技巧。

此外，课程还将重点介绍全局视角系统学习方法。全局视角系统学习是一种基于深度学习和强化学习的推荐系统方法，它能够从整体上理解用户的行为和偏好，并生成更准确和有效的推荐结果。学习者将学习全局视角系统学习的基本原理、算法和应用，掌握如何利用全局视角系统学习提升推荐系统的竞争力。

通过学习全局视角系统学习《推荐系统》，实战中提升竞争力课程，学习者将能够深入了解推荐系统的核心技术和应用场景，掌握推荐系统的设计和实现方法，提升自己在推荐系统领域的竞争力。这门课程适合对推荐系统感兴趣的学生、工程师和研究人员参加。

课程目录

8-001-【imooc】课程汇总/
│【imooc-561】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
││├─第2章 【基础架构】推荐系统架构&项目搭建
││├─第3章 【特征工程】为推荐系统准备数据
││├─第4章 【召回】筛选出用户的心头好
││├─第5章 【排序】对推荐结果进行精确排序
││├─第6章 【效果评估】衡量推荐结果的好坏
││├─第7章 【深入学习】工程中的实践问题探讨
││├─第8章 【结语】前沿拓展
││├─课件

详细目录

││第1章 【前言】初探推荐系统/
│││├─1-1 前言–关于这门课_.mp4 26.6MB
│││├─1-2 推荐系统是什么_.mp4 36MB
│││├─1-3 课程章节导览_.mp4 13.5MB
││第2章 【基础架构】推荐系统架构&项目搭建/
│││├─2-1 典型的推荐系统架构是什么样的（上）_.mp4 43.7MB
│││├─2-10 课程项目前端页面搭建_.mp4 29.9MB
│││├─2-2 典型的推荐系统架构是什么样的（下）_.mp4 31MB
│││├─2-4 课程项目介绍和技术选型_.mp4 29.5MB
│││├─2-6 后端服务框架搭建—召回服务（上）_.mp4 33.9MB
│││├─2-7 后端服务框架搭建—召回服务（中）_.mp4 50MB
│││├─2-8 后端服务框架搭建—召回服务（下）_.mp4 43.8MB
│││├─2-9 后端服务框架搭建-排序与API服务_.mp4 47.3MB
││第3章 【特征工程】为推荐系统准备数据/
│││├─3-1 特征工程—为推荐系统准备食材（上）_.mp4 17.3MB
│││├─3-10 用Spark处理特征（上）_.mp4 46.7MB
│││├─3-11 用Spark处理特征（下）_.mp4 32MB
│││├─3-2 特征工程—为推荐系统准备食材（下）_.mp4 27.5MB
│││├─3-3 如何做好特征工程（上）_.mp4 32MB
│││├─3-4 如何做好特征工程（中）_.mp4 35MB
│││├─3-5 如何做好特征工程（下）_.mp4 43.9MB
│││├─3-7 用pandas可视化数据（上）_.mp4 43.2MB
│││├─3-8 用pandas可视化数据（下）_.mp4 34.5MB
│││├─3-9 Spark—业界最流行的大数据框架_.mp4 31.9MB
││第4章 【召回】筛选出用户的心头好/
│││├─4-1 召回层—如何快速筛选出用户喜欢的物品（上）_.mp4 36.4MB
│││├─4-10 最近邻查找算法—如何使用Embedding（下）_.mp4 31.2MB
│││├─4-11 用FAISS实现LSH_.mp4 31.2MB
│││├─4-12 召回服务最终完善_.mp4 72.5MB
│││├─4-2 召回层—如何快速筛选出用户喜欢的物品（下）_.mp4 26.5MB
│││├─4-3 如何将Word2Vec用于推荐（上）_.mp4 26.3MB
│││├─4-4 如何将Word2Vec用于推荐（下）_.mp4 23.8MB
│││├─4-5 实现Item2Vec（上）_.mp4 33.2MB
│││├─4-6 实现Item2Vec（中）_.mp4 35.3MB
│││├─4-7 实现Item2Vec（下）_.mp4 56MB
│││├─4-8 用Redis存储Embedding_.mp4 37MB
│││├─4-9 最近邻查找算法—如何使用Embedding（上）_.mp4 39.8MB
││第5章 【排序】对推荐结果进行精确排序/
│││├─5-1 排序层—如何活动最精确的结果排序.mp4 32.7MB
│││├─5-10 深度学习需要的特征如何处理（上）.mp4 94.9MB
│││├─5-11 深度学习需要的特征如何处理（下）.mp4 89.8MB
│││├─5-12 如何保存线上服务特征.mp4 92.2MB
│││├─5-13 搭建并训练MLP模型（上）.mp4 51MB
│││├─5-14 搭建并训练MLP模型（中）.mp4 83.1MB
│││├─5-15 搭建并训练MLP模型（下）.mp4 97MB
│││├─5-16 模型调优怎么做（1）.mp4 28.7MB
│││├─5-17 模型调优怎么做（2）.mp4 71.5MB
│││├─5-18 模型调优怎么做（3）.mp4 58.9MB
│││├─5-19 模型调优怎么做（4）.mp4 139.8MB
│││├─5-2 协同过滤—最经典的排序算法.mp4 57.5MB
│││├─5-21 利用深度学习模型完善排序服务.mp4 217MB
│││├─5-3 协同过滤算法实现.mp4 160.2MB
│││├─5-5 深度学习—革命性的机器学习模型.mp4 91.8MB
│││├─5-6 TensorFlow—业界最著名的深度学习框架.mp4 44.6MB
│││├─5-7 用三个例子体验TensorFlow（上）.mp4 95.1MB
│││├─5-8 用三个例子体验TensorFlow（下）.mp4 58.1MB
│││├─5-9 MLP—最经典的深度学习模型.mp4 65.7MB
││第6章 【效果评估】衡量推荐结果的好坏/
│││├─6-1 如何衡量推荐系统的好坏（上）.mp4 44.5MB
│││├─6-2 如何衡量推荐系统的好坏（下）.mp4 45.7MB
│││├─6-4 在线评价系统的方法：AB测试.mp4 45.2MB
│││├─6-5 代码实现AB测试功能（上）.mp4 140.5MB
│││├─6-6 代码实现AB测试功能（下）.mp4 109.3MB
││第7章 【深入学习】工程中的实践问题探讨/
│││├─7-1 实践问题—如何解决冷启动（上）_[3].mp4 24.9MB
│││├─7-2 实践问题—如何解决冷启动（下）_[3].mp4 28.8MB
│││├─7-3 实践问题—如何增强系统实时性（上）_[3].mp4 24.1MB
│││├─7-4 实践问题—如何增强系统实时性（下）_[3].mp4 19.3MB
│││├─7-5 用Flink处理用户实时行为反馈（上）_[3].mp4 41.2MB
│││├─7-6 用Flink处理用户实时行为反馈（中）_[3].mp4 41MB
│││├─7-7 用Flink处理用户实时行为反馈（下）_[3].mp4 43.2MB
││第8章 【结语】前沿拓展/
│││├─8-1 拓展篇之强化学习_[3].mp4 37.5MB
│││├─8-2 前沿拓展之Wide&Cross模型（上）_[3].mp4 40.1MB
│││├─8-3 前沿拓展之Wide&Cross模型（下）_[3].mp4 25.5MB
│││├─8-4 回顾+结语_[3].mp4 33.1MB
││课件/
│││├─api-service-main.zip 936byte
│││├─dataset-cp2.zip 1.8MB
│││├─feature-engineer-cp3.zip 123KB
│││├─flink-realtime-feature-cp7.zip 2.2KB
│││├─readme-master.zip 2KB
│││├─recall-service-main.zip 1021byte