深度学习推荐系统实战 课程 下载

目录：

开篇词｜从0开始搭建一个深度学习推荐系统

01:深度学习推荐系统的经典技术架构长啥样？

02:SparrowRecSys：我们要实现什么样的推荐系统？

03:深度学习基础：你打牢深度学习知识的地基了吗？

国庆策划:关于深度学习推荐系统，我有这些资料想推荐给你

国庆策划:深度学习推荐系统基础，你掌握了多少？

04:特征工程：推荐系统有哪些可供利用的特征？

05:特征处理：如何利用Spark解决特征处理问题？

06:Embedding：所有人都在谈的Embedding技术到底是什么？

07:Embedding进阶：如何利用图结构数据生成GraphEmbedding？

08:Embedding实战：如何使用Spark生成Item2vec和GraphEmbedding？

答疑:基础架构篇+特征工程篇常见问题解答

09:线上服务：如何在线上提供高并发的推荐服务？

10:存储模块：如何用Redis解决推荐系统特征的存储问题？

11:召回层：如何快速又准确地筛选掉不相关物品？

12:局部敏感哈希：如何在常数时间内搜索Embedding最近邻？

13:模型服务：怎样把你的离线模型部署到线上？

14:融会贯通：SparrowRecSys中的电影相似推荐功能是如何实现的？

答疑:线上服务篇留言问题详解

15:协同过滤：最经典的推荐模型，我们应该掌握什么？

16:深度学习革命：深度学习推荐模型发展的整体脉络是怎样的？

17:Embedding+MLP：如何用TensorFlow实现经典的深度学习模型？

18:Wide&Deep：怎样让你的模型既有想象力又有记忆力？

19:NeuralCF：如何用深度学习改造协同过滤？

20: DeepFM：如何让你的模型更好地处理特征交叉？

21:注意力机制、兴趣演化：推荐系统如何抓住用户的心？

22:强化学习：让推荐系统像智能机器人一样自主学习

23:实战：如何用深度学习模型实现Sparrow RecSys的个性化推荐功能？

模型实战准备（一）丨 TensorFlow入门和环境配置

模型实战准备（二） _ 模型特征、训练样本的处理

特别加餐 _ “银弹”不可靠，最优的模型结构该怎么找？

24:离线评估：常用的推荐系统离线评估方法有哪些？

25:评估指标：我们可以用哪些指标来衡量模型的好坏？

26:在线测试：如何在推荐服务器内部实现AB测试？

27:评估体系：如何解决AB测试资源紧张的窘境？

特别加餐:TensorFlow的模型离线评估实践怎么做？

28:业界经典：YouTube深度学习推荐系统的经典架构长什么样？

29:图神经网络：Pinterest是如何应用图神经网络的？

30:流处理平台：Flink是如何快速识别用户兴趣，实现实时推荐的？

31:模型迭代：阿里巴巴是如何迭代更新推荐模型的？

32:强化学习案例：美团是如何在推荐系统中落地强化学习的？

33:技术权衡：解决方案这么多，哪个最合适？

34:结束语丨深度学习时代需要什么样的推荐工程师？

35:期末考试丨“深度学习推荐系统”100分试卷等你来挑战！