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