推薦系統實戰第二期
+q 1329030073
第1課 推薦系統簡介:Youtube、Google、BAT、頭條等
第1課 推薦系統簡介:Youtube、Google、BAT、頭條等
知識點1: 系統架構、模塊介紹(召回、排序、重排序算法和系統等)
知識點2: 推薦算法評估指標
知識點3: A/B Test 系統
知識點4: 冷啓動問題和工業界解決方案
實戰項目: 冷啓動解決方案代碼實戰
第2課 召回算法和業界最佳實踐(一)
知識點1: BAT裏常用的CF算法以及變種(User/Item CF等變種)
知識點2: Hybrid CF 算法
知識點3: Model Based CF(LFM矩陣分解、NMF、SVD)
知識點4: 基於改進版協同過濾算法實戰
第3課 召回算法和業界最佳實踐(二)
知識點1: Graph 推薦召回算法
知識點2: 倒排召回算法系統設計
知識點3: Embedding 召回(DNN)
實戰項目: 基於隱語義模型推導和實戰
第4課 用戶建模(召回、排序都會用到)
知識點1: BAT公司裏常見的用戶建模
實戰項目: 如何做一個用戶偏好模型實戰
第5課 重排序算法:Learn to Rank
知識點1: Pointwise/Pairwise/Listwise排序(全局排序)
知識點2: 多目標優化(ESMM等)
知識點3: 多樣性排序(BAT真實場景用戶體驗優化)
實戰項目: 多目標預估算法實戰
第6課 排序算法&深度學習模型(一)
知識點1: 推薦系統的�0�2Rank�0�2模塊介紹
知識點2: 基於規則的Rank算法
知識點3: Rank模型進入機器學習時代
知識點4: BAT模型改進:從淺度到深度Rank學習(WDL、DeepFM、DeepCross等)(上)
實戰項目: 工業界CTR模型實戰(TensorFlow)
第7課 排序算法&深度學習模型(二)
知識點1: BAT模型改進:從淺度到深度Rank學習(Attention、知識圖譜、LSTM等)(下)
知識點2: Rank模型中的特徵工程(BAT裏基礎建模流程構造:涉及樣本、特徵、模型、系統設計和實踐)
知識點3: 工業界實際的CTR後校準技術
實戰項目: 阿里CTR-CVR數據上的MTL-ESMM實戰(TensorFlow)
第8課 學術界最新算法在BAT的應用
知識點1: 電商推薦中的Delayed reward強化學習算法
知識點2: GAN等技術在推薦系統的實踐
實戰項目: 強化學習排序算法實戰
第三階段 通曉Online Learning和業務場景推薦
第9課 實時化技術升級
知識點1: Online Learning 算法(FTRL、增量學習等)
知識點2: Online Learning 在BAT的系統架構
實戰項目: Online Learning 最新算法實現
第10課 掌握真實業務場景下的推薦算法
知識點1: 社交推薦算法
知識點2: 短視頻推薦算法
知識點3: 音樂推薦
知識點4: 新聞推薦
知識點5: 電商推薦
實戰項目: 如何用機器學習來解決工業界中的實際問題