开篇词 (1讲)

开篇词 | 用知识去对抗技术不平等

概念篇 (3讲)

01 | 你真的需要个性化推荐系统吗?
02 | 个性化推荐系统有哪些绕不开的经典问题?
03 | 这些你必须应该具备的思维模式

原理篇 · 内容推荐 (3讲)

04 | 画鬼容易画人难:用户画像的“能”和“不能”
05 | 从文本到用户画像有多远
06 | 超越标签的内容推荐系统

原理篇 · 近邻推荐 (3讲)

07 | 人以群分,你是什么人就看到什么世界
08 | 解密“看了又看”和“买了又买”
09 | 协同过滤中的相似度计算方法有哪些

原理篇 · 矩阵分解 (3讲)

10 | 那些在Netflix Prize中大放异彩的推荐算法
11 | Facebook是怎么为十亿人互相推荐好友的
12 | 如果关注排序效果,那么这个模型可以帮到你

原理篇 · 模型融合 (3讲)

13 | 经典模型融合办法:线性模型和树模型的组合拳
14 | 一网打尽协同过滤、矩阵分解和线性模型
15 | 深度和宽度兼具的融合模型 Wide and Deep

原理篇 · MAB问题 (3讲)

16 | 简单却有效的Bandit算法
17 | 结合上下文信息的Bandit算法
18 | 如何将Bandit算法与协同过滤结合使用

原理篇 · 深度学习 (2讲)

19 | 深度学习在推荐系统中的应用有哪些?
20 | 用RNN构建个性化音乐播单

原理篇 · 其他应用算法 (3讲)

21 | 构建一个科学的排行榜体系
22 | 实用的加权采样算法
23 | 推荐候选池的去重策略

工程篇 · 常见架构 (3讲)

24 | 典型的信息流架构是什么样的
25 | Netflix个性化推荐架构
26 | 总览推荐架构和搜索、广告的关系

工程篇 · 常见模块 (4讲)

27 | 巧妇难为无米之炊:数据采集关键要素
28 | 让你的推荐系统反应更快:实时推荐
29 | 让数据驱动落地,你需要一个实验平台
30 | 推荐系统服务化、存储选型及API设计

工程篇 · 效果保证 (3讲)

31 | 推荐系统的测试方法及常用指标介绍
32 | 道高一尺魔高一丈:推荐系统的攻防
33 | 和推荐系统有关的开源工具及框架介绍

产品篇 (3讲)

34 | 推荐系统在互联网产品商业链条中的地位
35 | 说说信息流的前世今生
36 | 组建推荐团队及工程师的学习路径

结束语与参考阅读 (3讲)

加餐 | 推荐系统的参考阅读
结束语 | 遇“荐”之后,江湖再见
结课测试 | 推荐系统的这些知识,你都掌握了吗?

发表回复

后才能评论

默认是geekape.net

解压密码:@vposy