请选择 进入手机版 | 继续访问电脑版
我的账户
星点互联

教育培训在线课程

亲爱的游客,欢迎!

已有账号,请

如尚未注册?

(全)Spark2.x+协同过滤算法,开发企业级个性化推荐系统(EV4)

1
回复
21
查看
[复制链接]

该用户从未签到

34

主题

67

帖子

168

积分

注册会员

Rank: 2

积分
168
发表于 2020-10-23 16:07:22 | 显示全部楼层 |阅读模式
(全)Spark2.x+协同过滤算法,开发企业级个性化推荐系统(EV4)
百度网盘下载:[/hide]〖课程介绍〗:* C, X, |7 \1 N% U, x
        在大数据行业内,除了懂平台开发,还需要什么样的硬技能?答案是算法原理。懂得算法原理,比只会开发平台更具有竞争力。目前,熟悉推荐算法的人才非常稀缺,既懂推荐算法原理、又懂得如何用大数据技术实现的人才,将会非常受欢迎。另一方面,个性化推荐已成为互联网产品的标配,在大数据行业内,推荐系统主要应用于电商,资讯内容(视频或文字)平台(如:今日头条),本门课程是个性化推荐算法案例课,着力于从算法原理角度,提升大数据工程师硬实力,并结合Spark 2.x 最新版本,手把手教你把算法落地,带你从0 到 1 搭建完整的个性化推荐系统。/ x* l2 Q. N. x6 p
, {: a, k- T9 A+ x4 h5 {
〖课程目录〗:" i1 z& M5 W& P' L7 g
        第1章 课程介绍与学习指南- o: T3 H! Q3 W3 _( s
        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?- Q' g$ N0 e# r7 e
4 m2 x5 j* M# \
         1-1 课程介绍及导学 试看
         1-2 怎么更好的使用慕课平台9 S! d: s7 l0 h: |! {/ \6 [7 n7 r! w
         1-3 你真的会问问题吗?) l" m* ]: u- A
        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 推荐系统的关键元素和思维模式 试看: r6 E: _7 V5 ?9 t8 b
         2-2 推荐算法的主要分类
         2-3 推荐系统常见的问题
         2-4 推荐系统效果评测7 i; ]! X9 a  y# B; X
        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。
1 G( O2 h& [, G# W+ H0 h0 b
         3-1 推荐系统涉及的数学知识 试看
         3-2 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。
& [6 X# Z& t3 h
         4-1 本章作业
         4-2 协同过滤的数学知识:最小二乘法3 K. F: L  o" f
         4-3 协同过滤的数学知识:梯度下降法" D$ z& {) o% y5 @; C
         4-4 协同过滤的数学知识:余弦相似度
         4-5 什么是user-based的协同过滤: ^' ^( A  E8 r7 }, ~7 H" e
         4-6 基于Spark实现user-based协同过滤
         4-7 什么是item-based协同过滤
         4-8 基于Spark实现item-based协同过滤
         4-9 基于模型的协同过滤' J1 }- T0 ?1 C5 H9 k) E
         4-10 基于矩阵分解模型的两种算法:SVD和PMF1 w+ `& K1 ~8 G* B. |- `& [; E- j
         4-11 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。: E, X  G" y' A: W+ r

         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. i2 z1 f0 U1 C7 ]& e# g, I
        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。1 s7 b+ M# j* e- L* E  N) d

         6-1 本章重点难点提点+ _# Z" \$ z% m3 L* T7 y# v
         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 ), F0 E& [1 _, d1 g8 t; ^
        第7章 推荐系统搭建——UI界面模块3 X- D3 c# @7 k8 R7 l9 ~5 i
        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
6 U9 l0 m$ d6 M" K
         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' Y( b/ E/ K5 C/ H& ^" s
        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。
* d0 C( r7 ^! v: U! Y$ g
         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). E& u7 [9 x2 p
         8-4 日志清洗和格式化数据(中)4 j5 L) O7 L' E. ^
         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! c. E3 ]! N+ j& J
        第9章 推荐系统搭建——推荐引擎- y# c, x; q$ U3 E% K/ q7 J
        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+ J% z+ F/ H0 p6 E$ t# J  |
         9-2 离线推荐:基于用户角度召回策略筛选候选集(上)9 t3 c- Y: e3 [- S+ Q+ H6 ^
         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)8 y& L" k& P- [  C- K; F
         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/ A8 r4 x) G6 ~: G- ~
         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. ]5 [$ j% S& K, t
         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4 f" n, ]  e# I- b8 c
        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3 O- X2 s* }  {4 I0 ^/ d
        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: l3 x% p3 a4 p; X6 p3 @+ A

         11-1 AB Test
         11-2 AB Test的分流管理4 K% ]4 R1 \. z, {$ `  M% L
         11-3 搭建AB Test 实验控制台(上)
         11-4 搭建AB Test 实验控制台(下)# Q1 v2 O: H/ ~8 k
         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: ~/ T- Q3 d4 y+ Y& n
         12-2 基于Spark实现Apriori算法(上). t0 s) ^+ X" @* L' D! s
         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. L: i/ ~% o: z# U$ w% P
        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。
' _4 W/ o* V4 j
         13-1 RBM神经网络
         13-2 CNN卷积神经网络2 L" U" U+ J+ g
         13-3 RNN循环神经网络$ q$ D# H6 v2 a- v6 h9 u8 z5 W/ s
        第14章 知识拓展——基于内容的推荐算法 1 `+ \- M7 T7 P1 f' d% X8 J9 C
        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。: X6 ]: B# Z% @1 W7 i; ?+ W
; }# T  k) x* w
         14-1 文本向量化 # @- \! J% x! M
         14-2 基于Spark实现TF-IDF / x3 ~& O9 e) T% _, e2 D
         14-3 课程总结

视频教程百度云下载地址链接:
游客,如果您要查看本帖隐藏内容请回复
【网盘地址回帖可见】网盘密码:58uc
回复

使用道具 举报

该用户从未签到

49

主题

77

帖子

203

积分

中级会员

Rank: 3Rank: 3

积分
203
发表于 2020-10-23 23:04:32 | 显示全部楼层
谢谢楼主~~~~~~~~~~~~~~~
回复

使用道具 举报

*滑块验证:
您需要登录后才可以回帖 登录 | 立即注册

本版积分规则

关注我们
IT6000视频教程网

客服邮箱:service@it6000.com

周一至周日 9:00-24:00

IT6000视频教程 - 引领行业人才培养!

Powered by IT6000 X3.4© 2001-2021 Comsenz Inc.