全局视角系统学习《推荐系统》，实战中提升竞争力

推荐系统已经成为各大产品提升用户留存和业绩增长的利器，相关技术人才更是被各个公司竞相抢夺。课程基于项目实战，带你全面掌握推荐系统的架构、模型和技术，让你不仅可以胜任业务需求，更能拓展职业发展的空间，在白热化的竞争中脱颖而出！

课程目录：

第1章 【前言】初探推荐系统
1-1 前言–关于这门课 (11:34)
1-2 推荐系统是什么 (17:01)
1-3 课程章节导览 (08:02)
第2章 【基础架构】推荐系统架构&项目搭建
2-1 典型的推荐系统架构是什么样的（上） (18:20)
2-2 典型的推荐系统架构是什么样的（下） (13:49)
2-3 推荐系统架构 — 如何设计一个推荐系统
2-4 课程项目介绍和技术选型 (15:56)
2-5 课程项目微服务API定义
2-6 后端服务框架搭建—召回服务（上） (14:14)
2-7 后端服务框架搭建—召回服务（中） (16:36)
2-8 后端服务框架搭建—召回服务（下） (15:49)
2-9 后端服务框架搭建-排序与API服务 (13:45)
2-10 【任务】对于“相似推荐”常见是否也需要一个接口呢？
2-11 课程项目前端页面搭建 (04:12)
2-12 【梳理】推荐系统常用特征
2-13 【梳理】重难点概览
第3章 【特征工程】为推荐系统准备数据
3-1 特征工程—为推荐系统准备食材（上） (09:44)
3-2 特征工程—为推荐系统准备食材（下） (16:04)
3-3 如何做好特征工程（上） (16:43)
3-4 如何做好特征工程（中） (17:09)
3-5 如何做好特征工程（下） (20:26)
3-6 数据爬虫的编订
3-7 用pandas可视化数据（上） (19:15)
3-8 用pandas可视化数据（下） (13:26)
3-9 【任务】按要求找出物品信息
3-10 Spark—业界最流行的大数据框架 (18:26)
3-11 用Spark处理特征（上） (19:34)
3-12 用Spark处理特征（下） (12:35)
3-13 如何采集用户行为数据 (24:50)
3-14 使用Kafka和Cassandra处理行为数据（上） (13:55)
3-15 使用Kafka和Cassandra处理行为数据（下） (12:54)
3-16 【任务】如何使用一个Topic来统一处理各种不同的用户行为
3-17 【梳理】特征处理方法
3-18 【梳理】重难点概览
第4章 【召回】筛选出用户的心头好
4-1 召回层—如何快速筛选出用户喜欢的物品（上） (18:07)
4-2 召回层—如何快速筛选出用户喜欢的物品（下） (13:13)
4-3 如何将Word2Vec用于推荐（上） (13:02)
4-4 如何将Word2Vec用于推荐（下） (11:30)
4-5 实现Item2Vec（上） (13:26)
4-6 实现Item2Vec（中） (15:00)
4-7 实现Item2Vec（下） (20:18)
4-8 【任务】Node2Vec中的两种不同策略得优劣
4-9 用Redis存储Embedding (16:47)
4-10 最近邻查找算法—如何使用Embedding（上） (18:36)
4-11 最近邻查找算法—如何使用Embedding（下） (14:22)
4-12 用FAISS实现LSH (12:26)
4-13 【任务】认识一下其他算法与LSH得优缺点
4-14 召回服务最终完善 (17:51)
4-15 【梳理】 重难点概览
第5章 【排序】对推荐结果进行精确排序
5-1 排序层—如何活动最精确的结果排序 (13:50)
5-2 协同过滤—最经典的排序算法 (12:14)
5-3 协同过滤算法实现 (15:38)
5-4 【任务】使用Spark ALS实现协同过滤
5-5 深度学习—革命性的机器学习模型 (21:58)
5-6 TensorFlow—业界最著名的深度学习框架 (19:46)
5-7 用三个例子体验TensorFlow（上） (19:54)
5-8 用三个例子体验TensorFlow（下） (13:39)
5-9 MLP—最经典的深度学习模型 (24:14)
5-10 深度学习需要的特征如何处理（上） (18:52)
5-11 深度学习需要的特征如何处理（下） (18:11)
5-12 如何保存线上服务特征 (13:45)
5-13 搭建并训练MLP模型（上） (13:39)
5-14 搭建并训练MLP模型（中） (13:42)
5-15 搭建并训练MLP模型（下） (18:09)
5-16 模型调优怎么做（1） (14:32)
5-17 模型调优怎么做（2） (11:42)
5-18 模型调优怎么做（3） (09:45)
5-19 模型调优怎么做（4） (22:57)
5-20 【任务】选择合适得参数找出最优
5-21 利用深度学习模型完善排序服务 (24:20)
5-22 【梳理】重难点梳理
第6章 【效果评估】衡量推荐结果的好坏
6-1 如何衡量推荐系统的好坏（上） (21:29)
6-2 如何衡量推荐系统的好坏（下） (20:30)
6-3 【任务】关于推荐系统的评价标准得思考
6-4 在线评价系统的方法：AB测试 (19:34)
6-5 代码实现AB测试功能（上） (15:09)
6-6 代码实现AB测试功能（下） (13:34)
6-7 【梳理】推荐模型离线评估
第7章 【深入学习】工程中的实践问题探讨
7-1 实践问题—如何解决冷启动（上） (19:03)
7-2 实践问题—如何解决冷启动（下） (21:04)
7-3 实践问题—如何增强系统实时性（上） (18:16)
7-4 实践问题—如何增强系统实时性（下） (10:51)
7-5 用Flink处理用户实时行为反馈（上） (25:51)
7-6 用Flink处理用户实时行为反馈（中） (18:39)
7-7 用Flink处理用户实时行为反馈（下） (19:46)
7-8 【任务】能否利用其他召回策略进行物品构建
7-9 【拓展】Flink中的时间
第8章 【结语】前沿拓展
8-1 拓展篇之强化学习 (28:27)
8-2 前沿拓展之Wide&Cross模型（上） (15:20)
8-3 前沿拓展之Wide&Cross模型（下） (13:00)
8-4 回顾+结语 (25:11)

网盘截图：