手把手带你搭建推荐系统--极客时间课程推荐/优惠
版权声明
本站非极客时间官网，与官方无任何关系。我们不提供课程下载或详细内容，仅作为课程分享和推荐平台。我们鼓励大家支持正版，尊重创作者的劳动成果，这样不仅能帮助创作者持续产出优质内容，也能让自己获得更好的学习体验。请通过官方渠道购买和学习课程，感谢您的理解与支持。
课程详情
你将获得
- 完整的企业级推荐系统服务及代码；
- 经典推荐系统架构案例剖析；
- 6+主流推荐算法及适用场景精讲；
- 可复用的推荐系统工程化部署方案。
课程介绍
在推荐算法刚刚兴起的时候，基本上只要懂一些推荐系统算法的理论，就能够找到一份推荐算法相关的工作。但现在，只有对推荐系统整个的运转流程有了足够的了解，才能够获得企业的青睐。要想拥有推荐系统的全局视角，掌握在面对不同问题时灵活变通的方法，demo级别的训练远远不够。
为此，我们特地邀请到了在算法和深度学习领域深耕多年的黄鸿波老师，他将提供一整套推荐系统的工程化方案，带你从获取真实的原始数据开始，通过数据处理、特征采集、内容画像、用户画像等一系列步骤，最终把整个系统部署和发布到Linux系统上。
同时，这门课程采用环环相扣的讲解方式：前面讲到的内容，一定是后面的系统搭建中的一步。通过这个方式，你能有效掌握推荐系统的全流程，避免“一学就会，一用就废”。
最后，我们还特地为你准备了方便对照学习的完整代码。
推荐系统主代码的GitHub代码如下。
https://github.com/ipeaking/recommendation
爬虫代码GitHub地址如下。
https://github.com/ipeaking/scrapy_sina
课程设计
课程分为七个章节：架构篇、数据篇、召回篇：基于规则的召回、服务搭建篇、召回篇：经典召回算法、排序篇和部署篇。
架构篇
为你提供了解推荐系统概念和功能宏观视角。以Netflix系统为例，带你推荐系统的工作原理，展示推荐系统的运作流程和优化策略，从而让你对推荐系统的实践应用有一个整体认识。
数据篇
深入探讨推荐系统所依赖的数据处理流程。先学习爬虫和数据库的原理和使用方法，然后从新闻网站中爬取数据，将它们作为我们的原始数据集。接下来，使用NLP、Python等技术对数据进行简单的特征工程处理，形成内容画像系统。
召回篇：基于规则的召回
利用数据篇得到的数据，进行一些基于规则的召回。在讲解什么是召回、为什么需要召回以及召回的种类的同时，深入研究召回对于推荐系统的影响，以及如何选择最优的召回策略。
服务搭建篇
将数据拼装后，绑定到界面进行内容推荐。本章将为你提供一个简单的推荐系统Web界面，带领你在这个界面的基础上调用Flask提供的webservice接口，完成内容推荐。
召回篇：经典召回算法
深入探讨包括协同过滤、基于Embedding的召回以及基于深度学习的召回等一系列经典召回算法，针对这些算法做不同的特征处理，并将它们与数据库、数据集结合起来。
排序篇
讲解经典排序算法，包括GBDT、LR、DeepFM、重排序等，充分利用现有数据，与上一章的推荐系统流程结合，用真实案例加深你对这些算法特点及适用场景的理解。
部署篇
带你使用TensorFlow Serving来进行服务的部署和搭建，完成一个真正的企业级推荐系统。此外，还会对推荐系统进行一个整体的回顾，带你从全局视角来观察企业级推荐系统如何在线上运作。
课程目录
开篇词
- 开篇词｜从企业级项目开始，进阶推荐系统
架构篇
- 01｜推荐系统：我们应该怎样学习推荐系统？
- 02｜Netflix推荐系统：企业级的推荐系统架构是怎样的？
数据篇
- 03｜数据处理：我们应该如何获取和处理数据？
- 04｜MongoDB：如何安装和使用MongoDB数据库？
- 05｜Redis：如何安装和使用Redis数据库？
- 06｜网络爬虫：爬取一个网站的流程是怎样的？
- 07｜数据获取：什么是Scrapy框架？
- 08｜数据获取：如何使用Scrapy框架爬取新闻数据？
- 09｜数据存储：如何将爬取到的数据存入数据库中？
- 10｜数据加工：如何将原始数据做成内容画像？
召回篇：基于规则的召回
- 11｜基于规则的召回：如何使用规则找到用户的兴趣点？
- 12｜基于热度的召回：如何使用热门内容来吸引用户？
- 13｜基于关键词的召回：如何使用关键词吸引用户？
服务搭建篇
- 14｜基于Flask的推荐服务：搭建基础的Flask服务
- 15｜基于Flask的推荐服务：如何把召回集推荐出去？
- 16｜基础用户画像：如何用好用户的注册信息？
- 17｜推荐系统前端：如何用一个界面展示我们的成果？
- 18｜一个简单的推荐服务闭环包括哪些模块？
召回篇：经典召回算法
- 19｜协同过滤：召回算法中永远不落幕的经典
- 20｜Embedding：深入挖掘用户底层特征
- 21｜YouTubeDNN：召回算法的后起之秀（上）
- 22｜YouTubeDNN：召回算法的后起之秀（下）
- 23｜流程串联：数据处理和协同过滤串联进行内容推荐
排序篇
- 24｜GBDT+LR：排序算法经典中的经典
- 25｜DeepFM：如何使用深度学习技术给数据排序？
- 26｜重排序：如何对排序后的内容进行微调？
推理部署篇
- 27｜部署：如何在Linux上配合定时任务部署推荐系统服务？
- 28｜珠联璧合：Kafka与推荐服务的联动
- 29｜推荐系统的工程化策略及服务部署策略
- 30｜推荐系统的后处理及日志回采
结束语
- 结束语｜如何成为企业中不可或缺的推荐系统工程师？
- 期末测试｜来赴一场满分之约！
特别放送
- 特别放送｜知识回顾（上）
- 特别放送｜知识回顾（中）
- 特别放送｜知识回顾（下）
作者介绍
推荐
