2021年大数据推荐算法教程

推荐系统企业工程实战项目作为大数据基础应用的延伸，构建于用户画像项目之上，旨在让学员学习企业级推荐系统构建的基本思路，深入讲解推荐系统中的两个最重要的环节召回和排序 ，各环节基于Spark-Mllib引入相关算法，比如召回层ItemCF,ALS两路召回算法，融合排序层引入GBDT+LR，在理解算法的同时更偏重工程实战，我们会从原始数据的特征抽取，转换，算法模型设计到编程实现做深入的讲解，同时也会对算法模型的跨平台部署方案做实际的案例，让学员学习到算法模型是如何在实际工程中部署运用的。



课程目录：
第一天
　01 回顾.mp4
　02 推荐系统概念.mp4
　03 推荐系统场景.mp4
　04 推荐系统的架构.mp4
　05 推荐系统的排序架构.mp4
　06 推荐系统余弦相似度.mp4
　06 推荐系统基于用户相似推荐.mp4
　07 推荐系统基于物品相似和模型算法.mp4
　07 推荐系统基于物品相似度数据源.mp4
　08 推荐系统的Hbase的bulk装载工具.mp4
　09 推荐系统的工具类封装.mp4

第二天
　01 回顾.mp4
　02 用户行为转换为评分方法.mp4
　03 用户行为查询用户文章行为表.mp4
　04 基于物品相似协同过滤推荐.mp4
　05 基于物品相似协同过滤推荐测试.mp4
　06 基于物品相似协同流程.mp4
　07 基于物品相似协同参数修改.mp4
　08 基于ALS模型协同推荐.mp4
　09 基于ALS模型协同推荐测试.mp4

第三天
　01 回顾.mp4
　02 文章的基础特征.mp4
　03 文章的基础特征转向量代码.mp4
　04 文章的基础特征转向量测试.mp4
　05 用户的基础特征转向量代码.mp4
　06 用户的基础特征转向量测试.mp4
　07 文章嵌入向量代码.mp4
　08 文章嵌入向量测试.mp4
　09 排序阶段概念.mp4
　10 排序模型的训练数据准备.mp4
　11 排序中的LR的模型代码.mp4
　12 排序中的LR的模型代码测试.mp4
　13 排序模型中的IRIS测试.mp4

第四天
　01 回顾.mp4
　02 pmml的概念.mp4
　03 jpmml的文件生成保存.mp4
　06 推荐系统服务.mp4
　07 使用LR模型进行预测.mp4
　08 使用LR的模型进行排序预测和推荐.mp4
　09 推荐API服务.mp4
　用户&文章&得分和向量合并.mp4
　用户&文章&得分和向量合并测试.mp4

第五天
　01 推荐系统的API服务.mp4
　02 推荐系统中API服务监控.mp4
　03 推荐系统中监控测试.mp4
　04 简历相关说明.mp4