极客时间 深度学习推荐系统实战

极客时间 深度学习推荐系统实战

课程介绍

近年来，深度学习已成为了驱动推荐、广告、搜索业务的最强引擎。天猫每次双十一 2000 亿以上的惊人成交量，抖音 4 年时间用户日活破 6 亿，这背后都有深度学习的强劲助力。

与此同时，深度学习方向的推荐算法工程师，也因为高薪、名企这些标签，成为工程师们求职的热点。

课程大纲

开篇词 (1讲)

开篇词 | 从0开始搭建一个深度学习推荐系统

基础架构篇 (5讲)

01 | 技术架构：深度学习推荐系统的经典技术架构长啥样？
02 | Sparrow RecSys：我们要实现什么样的推荐系统？
03 | 深度学习基础：你打牢深度学习知识的地基了吗？
国庆策划 | 关于深度学习推荐系统，我有这些资料想推荐给你
国庆策划 | 深度学习推荐系统基础，你掌握了多少？

特征工程篇 (6讲)

04 | 特征工程：推荐系统有哪些可供利用的特征？
05 | 特征处理：如何利用Spark解决特征处理问题？
06 | Embedding基础：所有人都在谈的Embedding技术到底是什么？
07 | Embedding进阶：如何利用图结构数据生成Graph Embedding？
08 | Embedding实战：如何使用Spark生成Item2vec和Graph Embedding？
答疑 | 基础架构篇+特征工程篇常见问题解答

线上服务篇 (7讲)

09 | 线上服务：如何在线上提供高并发的推荐服务？
10 | 存储模块：如何用Redis解决推荐系统特征的存储问题？
11 | 召回层：如何快速又准确地筛选掉不相关物品？
12 | 局部敏感哈希：如何在常数时间内搜索Embedding最近邻？
13 | 模型服务：怎样把你的离线模型部署到线上？
14 | 融会贯通：Sparrow RecSys中的电影相似推荐功能是如何实现的？
答疑 | 线上服务篇留言问题详解

推荐模型篇 (12讲)

15 | 协同过滤：最经典的推荐模型，我们应该掌握什么？
16 | 深度学习革命：深度学习推荐模型发展的整体脉络是怎样的？
模型实战准备（一） | TensorFlow入门和环境配置
模型实战准备（二） | 模型特征、训练样本的处理
17 | Embedding+MLP：如何用TensorFlow实现经典的深度学习模型？
18｜Wide&Deep：怎样让你的模型既有想象力又有记忆力？
19｜NeuralCF：如何用深度学习改造协同过滤？
20 | DeepFM：如何让你的模型更好地处理特征交叉？
21｜注意力机制、兴趣演化：推荐系统如何抓住用户的心？
22｜强化学习：让推荐系统像智能机器人一样自主学习
特别加餐 | “银弹”不可靠，最优的模型结构该怎么找？
23｜ 实战：如何用深度学习模型实现Sparrow RecSys的个性化推荐功能？

模型评估篇 (5讲)

24 | 离线评估：常用的推荐系统离线评估方法有哪些？
25 | 评估指标：我们可以用哪些指标来衡量模型的好坏？
特别加餐｜TensorFlow的模型离线评估实践怎么做？
26 | 在线测试：如何在推荐服务器内部实现A/B测试？
27 | 评估体系：如何解决A/B测试资源紧张的窘境？

前沿拓展篇 (6讲)

28 | 业界经典：YouTube深度学习推荐系统的经典架构长什么样？
29 | 图神经网络：Pinterest是如何应用图神经网络的？
30 | 流处理平台：Flink是如何快速识别用户兴趣，实现实时推荐的？
31｜模型迭代：阿里巴巴是如何迭代更新推荐模型的？
32 | 强化学习案例：美团是如何在推荐系统中落地强化学习的？
33｜技术权衡：解决方案这么多，哪个最合适？

结束语 (2讲)

结束语｜深度学习时代需要什么样的推荐工程师？
期末考试 | “深度