价格: 19 学币

分类: Storm

发布时间: 2022年1月23日 11:07

最近更新: 2022年2月20日 15:18

资源类型: VIP


第1章 课程介绍与学习指南

本节主要进行课程的介绍,学习路线与指南,如何更好的学习本课程?为什么要学习本课程,学习本课程
具体能收获什么?
1-1 课程介绍及导学 (06:32)
1-2 怎么更好的使用慕课平台
1-3 你真的会问问题吗?

第2章 了解推荐系统的生态

本章带你了解推荐系统的生态,让你从思维上重塑对推荐系统的认知。了解推荐系统是由哪些关键元素支
撑的,推荐算法的分类以及什么才算一个好的推荐系统
2-1 本章重难点提点
2-2 推荐系统的关键元素和思维模式 (11:49)
2-3 推荐算法的主要分类 (14:07)
2-4 推荐系统常见的问题 (09:05)
2-5 推荐系统效果评测 (17:55)

第3章 给学习算法打基础

本章回顾并梳理了学习算法必需的数学知识和统计学知识,帮助大家巩固基础,平滑过渡,为后面学习推荐算法做铺垫。
3-1 本章重点难点提点
3-2 推荐系统涉及的数学知识 (11:25)
3-3 推荐系统涉及的概率统计知识 (17:58)

第4章 详解协同过滤推荐算法原理

本章介绍推荐算法中最常用也最受欢迎的协同过滤推荐算法。首先巩固学习协同过滤特有的数学基础,然
后分别从推荐算法的三个类型:基于用户,基于物品,基于模型来展开,并且对它们进行代码演示。
4-1 本章重点难点提点
4-2 本章作业 (04:17)
4-3 协同过滤的数学知识:最小二乘法 (15:01)
4-4 协同过滤的数学知识:梯度下降法 (23:55)
4-5 协同过滤的数学知识:余弦相似度 (14:09)
4-6 什么是user-based的协同过滤 (15:26)
4-7 基于Spark实现user-based协同过滤 (14:12)
4-8 什么是item-based协同过滤 (16:32)
4-9 基于Spark实现item-based协同过滤 (13:03)
4-10 基于模型的协同过滤 (04:49)
4-11 基于矩阵分解模型的两种算法:SVD和PMF (18:49)
4-12 缺失值填充 (24:39)

第5章 Spark内置推荐算法ALS原理

本章讲解Spark内置的推荐算法:ALS。从算法原理、Spark上实现、源码阅读,这3个方面
全面讲解ALS算法。
5-1 ALS 算法原理 (05:52)
5-2 ALS 算法在Spark上的实现 (18:51)
5-3 ALS 算法在 Spark 上的源码分析 (11:28)

第6章 推荐系统搭建——需求分析和环境搭建

开始进行推荐系统的实操了!大家准备好了吗?这章我们进行对整个推荐系统做一个需求分析。并且手把
手带领环境搭建。
6-1 本章重点难点提点
6-2 项目需求分析 技术分解 模块设计 (04:43)
6-3 开发环境搭建 (19:13)
6-4 环境问题 工具问题 版本问题 (05:44)
6-5 【实操手册】环境搭建文档 ( 完善版 )

第7章 推荐系统搭建——UI界面模块

先从简单内容起步,一般大数据开发工程师主要负责数据的收集和分析,这里为了演示方便我们制作了简
单的前端页面,使用了 VUE、Element-UI和EChatrs
7-1 VUE+ElementUI简单入门 (14:08)
7-2 用户访问页面实现 (11:48)
7-3 AB Test 控制台页面(上) (13:24)
7-4 AB Test 控制台页面(下) (13:23)

第8章 推荐系统搭建——数据层

做好前期准备,终于步入正轨了,大家是不是都按耐不住了?本章将带领大家开发项目的数据层的部分,
分别实现数据采集、清洗、分析等功能。
8-1 数据上报(上) (18:07)
8-2 数据上报(下) (13:57)
8-3 日志清洗和格式化数据(上) (17:13)
8-4 日志清洗和格式化数据(中) (15:28)
8-5 日志清洗和格式化数据(下) (15:07)
8-6 分析用户行为和商品属性 (07:30)

第9章 推荐系统搭建——推荐引擎

本章将要介绍本次项目的重难点,推荐引擎模块的搭建。主要讲解推荐模块的几个核心:召回,过滤,特
征计算和排序。逐步完成实时推荐架构的搭建。
9-1 基于用户行为构建评分矩阵 (09:52)
9-2 离线推荐:基于用户角度召回策略筛选候选集(上) (22:20)
9-3 离线推荐:基于用户角度召回策略筛选候选集(下) (21:57)
9-4 离线推荐:基于物品角度召回策略筛选候选集(上) (23:11)
9-5 离线推荐:基于物品角度召回策略筛选候选集(下) (21:55)
9-6 离线推荐:写特征向量到HBase (07:13)
9-7 离线推荐:基于模型的排序 (12:22)
9-8 实时推荐:Storm解析用户行为 (17:04)
9-9 实时推荐:通过FTRL更新特征权重-原理 (13:33)
9-10 实时推荐:通过FTRL更新特征权重-代码实现 (26:06)
9-11 离线推荐和实时推荐项目梳理 (12:07)

第10章 推荐系统搭建——推荐结果存储

本章演示个性化推荐系统的评估模块的搭建。主要是介绍主流的测试模块A/B测试,逐步开发搭建一个
完整的A/B测试后台
10-1 数仓ODS和DWD层搭建 (09:23)
10-2 搭建用户行为日志数据仓库 (10:17)
10-3 利用外部分区表存储用户行为 (09:43)

第11章 推荐系统搭建——推荐效果评估模块

本章演示个性化推荐系统收尾环节,评估模块的搭建。主要介绍主流的测试模块A/BTest,逐步搭
建一个完整的A/B测试后台
11-1 AB Test (05:12)
11-2 AB Test的分流管理 (06:26)
11-3 搭建AB Test 实验控制台(上) (18:01)
11-4 搭建AB Test 实验控制台(下) (11:57)
11-5 常用评测指标 (05:37)

第12章 知识拓展——基于关联规则的推荐算法

本章讲解两个主要的关联规则推荐算法,Apriori和FP-Growth,并通过Spark去演
示这两个算法的实现。
12-1 基于Apriori的关联算法 (07:17)
12-2 基于Spark实现Apriori算法(上) (18:24)
12-3 基于Spark实现Apriori算法(下) (21:52)
12-4 基于FP-Growth的关联算法 (13:09)
12-5 基于Spark实现FP-Growth算法 (13:26)

第13章 知识拓展——基于机器学习的推荐算法

本章主要讲解主流的基于机器学习的推荐算法。首先介绍RBM随机网络原理,接着分别展示基于 RB
N、CNN、RNN的推荐算法,演示如何实现。
13-1 RBM神经网络 (06:02)
13-2 CNN卷积神经网络 (08:41)
13-3 RNN循环神经网络 (11:34)

第14章 知识拓展——基于内容的推荐算法

本章主要介绍主流的基于内容的推荐算法,分别介绍TF-IDF算法、文本向量化、用户行为向量化和
长期模型。最后对所有算法知识以及课程项目进行一个总结和展望。
14-1 文本向量化 (09:54)
14-2 基于Spark实现TF-IDF (16:29)
14-3 课程总结 (12:01)