|
|
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
下载地址:
|
|
发表于 2019-3-9 01:48:49
发表于 2019-3-15 20:47:19
发表于 2019-4-3 09:54:46
发表于 2019-6-26 20:05:59
