推荐系统实战
¥5980
体系课

推荐系统实战

  • 深度学习

本课程从两个维度来解剖实际企业中个性化推荐的使用细节,以及主要的个性化推荐算法在其中的应用场景。

¥5980
本课程包括
  • 20小时48分钟的视频随时观看
  • 可在APP随时观看
  • 结业证书
课程合作品牌
百度技术培训中心
你将收获
  • 理解个性化推荐作为一个核心算法模块与上下游模块之间的协作关系
  • 掌握生产环境(电商平台、新闻客户端、视频网站)的个性化推荐的典型实施过程
  • 掌握生成个性化推荐列表中涉及到的算法描述,如CTR预估,离线召回策略,在线推荐预测过程等
  • 理解并解决具体实施过程中的工程性问题和做法

数千家企业正在使用三节课企业版学习

无限制学习2000+门课程,200+精选学习专题

免费申请体验>
课程介绍

个性化推荐是目前各大电商平台、新闻客户端、视频网站的核心技术和必备板块,为用户提供了方便快捷的浏览下单辅助功能,也为服务平台提供商带来了巨大商业利益。

本课程基于百度深度学习框架飞桨PaddlePaddle,帮助学生通过实战的方式了解掌握实际企业中个性化推荐的使用细节,以及主要的个性化推荐算法在其中的应用场景。

适合人群
  • 传统行业软件工程师,希望帮助企业实现技术突破
  • 互联网行业技术岗位从业者希望掌握人工智能应用开发技
  • 想要理解并掌握推荐系统知识体系的开发者
  • 可作为立志转行AI应用行业者的理论课和实践课
  • 可作为AI从业者继续学习深造的强化课程
讲师介绍
百度技术的布道者和赋能者
擅长领域:
  • 深度学习
  • 大数据系统
百度技术培训中心是百度技术的布道者和赋能者。最早是由百度大技术部各位技术总监共同发起成立的一个跨部门组织,目的是搭建知识共享平台,提升技术人员能力,助力业务发展。随着组织和业务的快速发展,现如今已成为横跨公司所有事业群组,服务于百度最重要的三个专业序列(技术、产品、用户体验)的人才发展组织。 2008年至今,创建了以百度业务、技术和人才战略为出发点,以专业人才能力发展为导向,以学习地图及配套的培训课程为核心,以多元化学习活动为支撑的人才发展模式,积累了涵盖专业技能、专业知识、通用技能、项目管理和工程师文化等一系列自主研发的课程和学习活动。科技创新驱动社会变革,2017年正式对外开放,将百度的技术和方法回馈社会,秉承“智达天下、育才未来”的宗旨,繁荣技术生态,培养优秀互联网技术人才,提升社会和行业的技术水平,实现百度与社会共同进步。
合肥工业大学教授;博士生导师
擅长领域:
  • 大数据系统
薛峰教授是合肥市大数据产业联盟专家委员会委员,CCF计算机视觉专委会委员、多媒体专委会委员,先后入选安徽省创新创业领军人才特殊支持计划、合肥市产业创新团队带头人,获得2016年全国科技工作者创新创业大赛铜奖,2018年知乎公司主办的“移动知识分享平台推荐算法在线评测”比赛第二名。
课程大纲
共0节 时长0分钟 全部收起
第一章
共9节 | 1小时36分钟
  • 0 课程总开场白-课程介绍
    6分钟
  • 1 推荐系统的背景与价值
    14分钟
  • 2 推荐系统是如何工作的
    3分钟
  • 3.1 推荐系统的历史与分类
    7分钟
  • 3.2 基于内容、基于隐语义的推荐系统
    18分钟
  • 4.1 推荐系统评测的实验方法
    16分钟
  • 4.2 推荐系统评测的评测指标1
    10分钟
  • 4.3 推荐系统评测的评测指标2
    9分钟
  • 5 推荐系统挑战与发展趋势
    13分钟
第二章
共7节 | 1小时19分钟
  • 1 电商推荐的总体流程
    13分钟
  • 2.1 电商推荐业务场景——业务设计
    12分钟
  • 2.2 电商推荐业务场景——推荐系统设计
    12分钟
  • 3.1 主要业务流程——推荐系统设计
    9分钟
  • 3.2 主要模块
    13分钟
  • 4 推荐系统与上下游的接口关系
    12分钟
  • 5 推荐系统前后端典型API接口
    9分钟
第三章
共22节 | 4小时34分钟
  • 1 推荐算法简介
    18分钟
  • 2.1-2.3 长尾效应讲完
    10分钟
  • 2.4-2.5 基于内容推荐(关联规则)
    14分钟
  • 2.6 关联规则算法过程、举例
    17分钟
  • 3.1-3.2 基于内容的推荐方法(不包含示例)
    24分钟
  • 3.3 基于内容的推荐方法(示例部分,电影推荐)
    7分钟
  • 3.4-3.7 标签系统理论
    17分钟
  • 3.8 标签系统两个算法原理
    11分钟
  • 4.1-4.3 讲到余弦相似度的原理
    12分钟
  • 4.4 倒排表计算相似度
    8分钟
  • 4.5 基于用户相似度的推荐(人-书推荐示例)
    9分钟
  • 4.6 基于物品相似度推荐
    18分钟
  • 5.1-5.2 矩阵分解算法概述、SVD算法介绍
    12分钟
  • 5.3 BiasSVD算法介绍
    9分钟
  • 5.4 SVDplus算法介绍、三个算法的实验
    12分钟
  • 5.5 WR-MF算法背景、贡献
    11分钟
  • 5.6 WR-MF算法实验、总结
    11分钟
  • 6.1-6.2 物品协同过滤扩展-ItemKNN简要介绍
    8分钟
  • 6.3 SLIM算法理论部分
    7分钟
  • 6.4 SLIM算法数据集、实验
    10分钟
  • 6.5-6.8 FISM算法理论部分
    16分钟
  • 6.9 FISM算法实验部分-本章总结
    11分钟
第四章
共14节 | 3小时30分钟
  • 1.1-1.2 CTR预估简介、为什么需要CTR
    11分钟
  • 1.3-1.4 CTR预估如何进行、CTR预估流程
    14分钟
  • 2 逻辑回归全部
    20分钟
  • 3.1-3.2 FM背景和算法选型、FM模型
    15分钟
  • 3.3 FM分解机原理
    9分钟
  • 3.4 FM案例分析与实验
    10分钟
  • 3.5 深度FM
    22分钟
  • 4.1 GBDT原理之集成模型简介
    23分钟
  • 4.2-4.3 什么是GBDT(1)、GB和DT
    5分钟
  • 4.2-4.3 什么是GBDT(2)
    19分钟
  • 4.2-4.3 什么是GBDT(3)
    17分钟
  • 4.3 什么是GBDT(4)
    11分钟
  • 5 GBDT与逻辑回归的融合1
    13分钟
  • 6 GBDT与逻辑回归的融合2
    21分钟
第五章
共17节 | 4小时15分钟
  • 0.1 本章引言、深度学习简介
    19分钟
  • 0.2 深度学习之神经网络、MLP
    19分钟
  • 0.3 深度学习之CNN
    18分钟
  • 0.4 深度学习之RNN
    13分钟
  • 1.1 NCF算法原理
    14分钟
  • 1.2 NCF算法实验
    9分钟
  • 2 DMF算法原理、实验
    16分钟
  • 3.1 DICF算法原理
    16分钟
  • 3.2 DICF实验
    18分钟
  • 4.1 图卷积神经网络概述1
    12分钟
  • 4.2 图卷积神经网络概述2
    12分钟
  • 4.3 图卷积神经网络概述3
    6分钟
  • 5.1 NGCF动机、原理、模型介绍部分1
    16分钟
  • 5.2 NGCF模型介绍部分2
    21分钟
  • 5.3 NGCF实验讲解
    17分钟
  • 6.1 RGCF算法模型原理1
    14分钟
  • 6.2 RGCF实验分析
    15分钟
第六章
共3节 | 1小时4分钟
  • 1 推荐系统中的冷启动问题
    24分钟
  • 2-3 推荐系统中的可解释性问题、数据稀疏问题
    20分钟
  • 4-6 推荐系统中的大数据与增量计算、多样性、其他问题
    19分钟
exp
共15节 | 4小时30分钟
  • 1 svd算法实验
    20分钟
  • 2 biasesvd算法实验
    20分钟
  • 3 svdpp算法实验
    19分钟
  • 4 slim算法实验
    23分钟
  • 5 fism算法实验
    19分钟
  • 6 分解机FM算法实验
    22分钟
  • 7 GBDT和LR融合算法实验
    20分钟
  • 8 NCF算法实验1
    10分钟
  • 9 NCF算法实验2
    16分钟
  • 10 DICF算法实验1
    11分钟
  • 11 DICF算法实验2
    21分钟
  • 12 NGCF算法实验1
    10分钟
  • 13 NGCF算法实验2
    22分钟
  • 14 RGCF算法实验1
    15分钟
  • 15 RGCF算法实验2
    22分钟
购课须知

课程有效期:

自购买课程之日起 365 天,部分参与营销活动产品以活动规则为准,请同学在有效期内学习、观看课程。

上课模式:

课程采取录播模式,请注意自学课无班级微信群、班主任带班及助教批改服务。

注:自学课不支持退款,确保你是真的需要再进行报名,报完名之后还请认真学习。