BAT大牛亲授个性化推荐算法实战1

【课程介绍】当今互联网行业，无论在信息流，电商，o2o等产品中，个性化推荐算法都在其中扮演着极其重要的角色。推荐算法工程师也成为各个大厂炙手可热的岗位，社招起步薪资20k+！本课程，讲师从算法原理到代码实战，细致的讲解个性化推荐算法如何在开发中落地，让你可以建立起自己的推荐算法体系。该课程不仅能让你有归纳抽象总揽全局，设计项目算法架构的视野，同时也可以让你掌握算法公式，模型参数迭代等技术的微小细节。

【课程目录】

• 第1章 个性化推荐算法综述个性化推荐算法综述部分，主要介绍个性化推荐算法综述，本课程内容大纲以及本课程所需要准备的编程环境与基础知识。
  • 1-1 个性化推荐算法课程导学
    

  • 1-2 个性化推荐算法综述
    

  • 1-3 个性化召回算法综述
    
• 第2章 基于邻域的个性化召回算法LFM本章节重点介绍一种基于邻域的个性化召回算法，LFM。从LFM算法的理论知识与数学原理进行介绍。并结合公开数据集，代码实战LFM算法。
  • 2-1 LFM算法综述
  • 2-2 LFM算法的理论基础与公式推导
  • 2-3 基础工具函数的代码书写
  • 2-4 LFM算法训练数据抽取
  • 2-5 LFM模型训练
  • 2-6 基于LFM的用户个性化推荐与推荐结果分析
• 第3章 基于图的个性化推荐召回算法personal rank本章节重点介绍一种基于图的个性化推荐召回算法personal rank。从personal rank算法的理论知识与数学原理进行介绍。并结合公开数据集，代码实战personal rank算法的基础版本与矩阵升级版本。
  • 3-1 personal rank算法的背景与物理意义
  • 3-2 personal rank 算法的数学公式推导
  • 3-3 代码构建用户物品二分图
  • 3-4 代码实战personal rank算法的基础版本
  • 3-5 代码实战personal rank算法矩阵版本上
  • 3-6 代码实战personal rank算法的矩阵版本下 -1
  • 3-7 代码实战personal rank算法的矩阵版本下-2
• 第4章 基于深度学习的个性化召回算法item2vec本章节重点介绍一种基于深度学习的个性化召回算法item2vec。从item2vec的背景与物理意义以及算法的主流程进行介绍。并对该算法依赖的模型word2vec数学原理进行浅析。最后结合公开数据集代码实战item2vec算法。
  • 4-1 item2vec算法的背景与物理意义
  • 4-2 item2vec依赖模型word2vec之cbow数学原理介绍
  • 4-3 item2vec依赖模型word2vec之skip gram数学原理介绍
  • 4-4 代码生成item2vec模型所需训练数据
  • 4-5 word2vec运行参数介绍与item embedding
  • 4-6 基于item bedding产出物品相似度矩阵与item2vec推荐流程梳理
• 第5章 基于内容的推荐方法content based本章节重点介绍一种基于内容的推荐方法content based。从content based算法的背景与主体流程进行介绍。并代码实战content based算法。
  • 5-1 content based算法理论知识介绍
  • 5-2 content based算法代码实战之工具函数的书写
  • 5-3 用户刻画与基于内容推荐的代码实战。
• 第6章 个性化召回算法总结与回顾本章节重点总结前面几章节介绍过的个性化召回算法。并介绍如何从离线与在线两个大方面评估新增一种个性化召回算法时的收益。
  • 6-1 个性化召回算法总结与评估方法的介绍。
• 第7章 综述学习排序综述学习排序的思路，并介绍工业界排序架构以及本课程重点讲解的学习排序模型。
  • 7-1 学习排序综述
• 第8章 浅层排序模型逻辑回归本章节重点介绍一种排序模型，逻辑回归模型。从逻辑回归模型的背景知识与数学原理进行介绍。并介绍样本选择与特征选择相关知识。最后结合公开数据集。代码实战训练可用的逻辑回归模型。
  • 8-1 逻辑回归模型的背景知识介绍
  • 8-2 逻辑回归模型的数学原理
  • 8-3 样本选择与特征选择相关知识
  • 8-4 代码实战LR之样本选择
  • 8-5 代码实战LR之离散特征处理
  • 8-6 代码实战LR之连续特征处理
  • 8-7 LR模型的训练
  • 8-8 LR模型在测试数据集上表现-上
  • 8-9 LR模型在测试数据集上表现-下
  • 8-10 LR模型训练之组合特征介绍
• 第9章 浅层排序模型gbdt本章节重点介绍排序模型gbdt。分别介绍梯度提升树以及xgboost的数学原理。并介绍gbdt与LR模型的混合模型网络。最合结合公开数据集，代码实战训练gbdt模型以及gbdt与LR混合模型。
  • 9-1 背景知识介绍之决策树
  • 9-2 梯度提升树的数学原理与构建流程
  • 9-3 xgboost数学原理介绍
  • 9-4 gbdt与LR混合模型网络介绍
  • 9-5 代码训练gbdt模型
  • 9-6 gbdt模型最优参数选择
  • 9-7 代码训练gbdt与LR混合模型
  • 9-8 模型在测试数据集表现 上
  • 9-9 模型在测试数据集表现 下
• 第10章 基于深度学习的排序模型wide and deep本章节重点介绍一种基于深度学习的排序模型wide and deep。从wide and deep的网络结构与数学原理进行介绍。最后结合公开数据集。代码实战wd模型。
  • 10-1 背景知识介绍之什么是深度学习
  • 10-2 DNN网络结构与反向传播算法
  • 10-3 wide and deep网络结构与数学原理介绍
  • 10-4 .代码实战wd模型之wide侧与deep侧特征构建
  • 10-5 代码实战wd模型之模型对象的构建
  • 10-6 wd模型的训练与模型在测试数据集上的表现
• 第11章 排序模型总结与回顾本章节重点总结前面几章节所讲述的排序模型。并介绍如何在线与离线评估排序模型的表现。
  • 11-1 学习排序部分总结与回顾
• 第12章 本课程回顾与总结本章节重点回顾本课程所讲述的所有内容。从个性化推荐算法离线架构与在线架构两个大方面一起总结回顾课程的点滴。
  • 12-1 个性化推荐算法实战课程总结与回顾