游客您好
第三方账号登陆
Lv.9 管理员
1号会员,18417活跃度,2017/07/29 加入学习
  • 6945发帖
  • 6944主题
  • 0关注
  • 58粉丝
这个人很懒,什么也没有留下。

[云计算大数据] Spark2.x+协同过滤算法,开发企业级个性化推荐系统

[复制链接]
admin 发表于 2020-8-3 21:18:52 | 显示全部楼层 |阅读模式 打印 上一主题 下一主题
5e6f2f240847796506000338-360-202.jpg
第1章 课程介绍与学习指南
本节主要进行课程的介绍,学习路线与指南,如何更好的学习本课程?为什么要学习本课程,学习本课程具体能收获什么?

1-1 课程介绍及导学
1-2 怎么更好的使用慕课平台
1-3 你真的会问问题吗?
第2章 了解推荐系统的生态
本章带你了解推荐系统的生态,让你从思维上重塑对推荐系统的认知。了解推荐系统是由哪些关键元素支撑的,推荐算法的分类以及什么才算一个好的推荐系统

2-1 本章重难点提点
2-2 推荐系统的关键元素和思维模式
2-3 推荐算法的主要分类
2-4 推荐系统常见的问题
2-5 推荐系统效果评测
第3章 给学习算法打基础
本章回顾并梳理了学习算法必需的数学知识和统计学知识,帮助大家巩固基础,平滑过渡,为后面学习推荐算法做铺垫。

3-1 本章重点难点提点
3-2 推荐系统涉及的数学知识
3-3 推荐系统涉及的概率统计知识
第4章 详解协同过滤推荐算法原理
本章介绍推荐算法中最常用也最受欢迎的协同过滤推荐算法。首先巩固学习协同过滤特有的数学基础,然后分别从推荐算法的三个类型:基于用户,基于物品,基于模型来展开,并且对它们进行代码演示。

4-1 本章重点难点提点
4-2 本章作业
4-3 协同过滤的数学知识:最小二乘法
4-4 协同过滤的数学知识:梯度下降法
4-5 协同过滤的数学知识:余弦相似度
4-6 什么是user-based的协同过滤
4-7 基于Spark实现user-based协同过滤
4-8 什么是item-based协同过滤
4-9 基于Spark实现item-based协同过滤
4-10 基于模型的协同过滤
4-11 基于矩阵分解模型的两种算法:SVD和PMF
4-12 缺失值填充
第5章 Spark内置推荐算法ALS原理
本章讲解Spark内置的推荐算法:ALS。从算法原理、Spark上实现、源码阅读,这3个方面全面讲解ALS算法。

5-1 ALS 算法原理
5-2 ALS 算法在Spark上的实现
5-3 ALS 算法在 Spark 上的源码分析
第6章 推荐系统搭建——需求分析和环境搭建
开始进行推荐系统的实操了!大家准备好了吗?这章我们进行对整个推荐系统做一个需求分析。并且手把手带领环境搭建。

6-1 本章重点难点提点
6-2 项目需求分析 技术分解 模块设计
6-3 开发环境搭建
6-4 环境问题 工具问题 版本问题
6-5 【实操手册】环境搭建文档 ( 完善版 )
第7章 推荐系统搭建——UI界面模块
先从简单内容起步,一般大数据开发工程师主要负责数据的收集和分析,这里为了演示方便我们制作了简单的前端页面,使用了 VUE、Element-UI和EChatrs

7-1 VUE+ElementUI简单入门
7-2 用户访问页面实现
7-3 AB Test 控制台页面(上)
7-4 AB Test 控制台页面(下)
第8章 推荐系统搭建——数据层
做好前期准备,终于步入正轨了,大家是不是都按耐不住了?本章将带领大家开发项目的数据层的部分,分别实现数据采集、清洗、分析等功能。

8-1 数据上报(上)
8-2 数据上报(下)
8-3 日志清洗和格式化数据(上)
8-4 日志清洗和格式化数据(中)
8-5 日志清洗和格式化数据(下)
8-6 分析用户行为和商品属性
第9章 推荐系统搭建——推荐引擎
本章将要介绍本次项目的重难点,推荐引擎模块的搭建。主要讲解推荐模块的几个核心:召回,过滤,特征计算和排序。逐步完成实时推荐架构的搭建。

9-1 基于用户行为构建评分矩阵
9-2 离线推荐:基于用户角度召回策略筛选候选集(上)
9-3 离线推荐:基于用户角度召回策略筛选候选集(下)
9-4 离线推荐:基于物品角度召回策略筛选候选集(上)
9-5 离线推荐:基于物品角度召回策略筛选候选集(下)
9-6 离线推荐:写特征向量到HBase
9-7 离线推荐:基于模型的排序
9-8 实时推荐:Storm解析用户行为
9-9 实时推荐:通过FTRL更新特征权重-原理
9-10 实时推荐:通过FTRL更新特征权重-代码实现
9-11 离线推荐和实时推荐项目梳理
第10章 推荐系统搭建——推荐结果存储
本章演示个性化推荐系统的评估模块的搭建。主要是介绍主流的测试模块A/B测试,逐步开发搭建一个完整的A/B测试后台

10-1 数仓ODS和DWD层搭建
10-2 搭建用户行为日志数据仓库
10-3 利用外部分区表存储用户行为
第11章 推荐系统搭建——推荐效果评估模块
本章演示个性化推荐系统收尾环节,评估模块的搭建。主要介绍主流的测试模块A/BTest,逐步搭建一个完整的A/B测试后台

11-1 AB Test
11-2 AB Test的分流管理
11-3 搭建AB Test 实验控制台(上)
11-4 搭建AB Test 实验控制台(下)
11-5 常用评测指标
第12章 知识拓展——基于关联规则的推荐算法
本章讲解两个主要的关联规则推荐算法,Apriori和FP-Growth,并通过Spark去演示这两个算法的实现。

12-1 基于Apriori的关联算法
12-2 基于Spark实现Apriori算法(上)
12-3 基于Spark实现Apriori算法(下)
12-4 基于FP-Growth的关联算法
12-5 基于Spark实现FP-Growth算法
第13章 知识拓展——基于机器学习的推荐算法
本章主要讲解主流的基于机器学习的推荐算法。首先介绍RBM随机网络原理,接着分别展示基于 RBN、CNN、RNN的推荐算法,演示如何实现。

13-1 RBM神经网络
13-2 CNN卷积神经网络
13-3 RNN循环神经网络
第14章 知识拓展——基于内容的推荐算法
本章主要介绍主流的基于内容的推荐算法,分别介绍TF-IDF算法、文本向量化、用户行为向量化和长期模型。最后对所有算法知识以及课程项目进行一个总结和展望。

14-1 文本向量化
14-2 基于Spark实现TF-IDF
14-3 课程总结

游客,如果您要查看本帖隐藏内容请回复





上一篇:专为程序员设计的高等数学课
下一篇:Kafka多维度系统精讲,从入门到熟练掌握
回复

使用道具 举报

您需要登录后才可以回帖 登录 | 立即注册

本版积分规则

Powered by  ©2001-2020 H5C3技术论坛|站点地图