大数据推荐系统算法代码全接触（企业内训，现场实录，机器学习算法+Spark实现）

Posted 2021-01-23

【学途无忧网】大数据推荐系统算法代码全接触（企业内训，现场实录，机器学习算法+Spark实现）
课程下载：https://pan.baidu.com/s/1piCNIxC2Sv0zMY0yWxY9Ug
提取码：b10v

一、课程简介：

推荐系统是利用电子商务网站向客户提供商品信息和建议，帮助用户决定应该购买什么产品，模拟销售人员帮助客户完成购买过程。个性化推荐是根据用户的兴趣特点和购买行为，向用户推荐用户感兴趣的信息和商品。随着电子商务规模的不断扩大，商品个数和种类快速增长，顾客需要花费大量的时间才能找到自己想买的商品。这种浏览大量无关的信息和产品过程无疑会使淹没在信息过载问题中的消费者不断流失。

为了解决这些问题，个性化推荐系统应运而生。个性化推荐系统是建立在海量数据挖掘基础上的一种高级商务智能平台，以帮助电子商务网站为其顾客购物提供完全个性化的决策支持和信息服务。

本课程全面介绍了推荐系统所涉及的最常见的算法及企业应用场景以及结合大数据Spark的代码实现，系企业一线推荐系统算法工程师结合亲身工作经历讲解，企业内部培训，现场实录，全套课件+代码，具有很强的实用意义和参考价值

二、课程目录：

任务1： 企业眼中的算法与算法工程师
任务2： 什么是推荐系统及推荐系统的分类
任务3： 推荐系统的概念与应用（sku、spu、uv与pv、ctr与cvr）
任务4： 协同过滤实战01_概念、推荐书籍与企业应用
任务5： 协同过滤实战02_基于用户的协同过滤算法(User-Based)概述
任务6： 协同过滤实战03_用户相似度推荐开发_Spark代码实现（上）
任务7： 协同过滤实战03_用户相似度推荐开发_Spark代码实现（中）
任务8： 协同过滤实战03_用户相似度推荐开发_Spark代码实现（下）
任务9： 协同过滤实战04_基于项的协同过滤（Item-Based）算法概述
任务10： 协同过滤实战05_商品相似度推荐开发原理与分析实现（上）
任务11： 协同过滤实战05_商品相似度推荐开发原理与分析实现（下）
任务12： 协同过滤实战06_Matrix Factorization（ALS算法）详解（上）
任务13： 协同过滤实战06_Matrix Factorization（ALS算法）详解（下）
任务14： 协同过滤实战07_电影评分ALS推荐开发（上）
任务15： 协同过滤实战07_电影评分ALS推荐开发（下）
任务16： 内容推荐实战01_Item Profiles原理详解（上）
任务17： 内容推荐实战01_Item Profiles原理详解（下）
任务18： 内容推荐实战02_User Profiles原理精讲
任务19： 内容推荐实战03_TF-IDF算法原理精讲
任务20： 内容推荐实战03_TF-IDF算法_Spark代码实现（上）
任务21： 内容推荐实战03_TF-IDF算法_Spark代码实现（下）
任务22： 混合推荐实战01_Bagging & boosting算法原理
任务23： 混合推荐实战02_Adaboost算法算法原理（上）
任务24： 混合推荐实战02_Adaboost算法算法原理（下）
任务25： 混合推荐实战03_GDBT算法原理与实现（上）
任务26： 混合推荐实战03_GDBT算法原理与实现（中）
任务27： 混合推荐实战03_GDBT算法原理与实现（下）
任务28： 混合推荐实战04_andom forest理论讲解
任务29： 混合推荐实战05_MinHash LSH算法讲解（上）
任务30： 混合推荐实战05_MinHash LSH算法讲解（下）
任务31： 混合推荐实战05_MinHash LSH算法_Spark代码实现（上）
任务32： 混合推荐实战05_MinHash LSH算法_Spark代码实现（下）
任务33： 基于Spark实现的文本相似度实战_代码剖析（上）
任务34： 基于Spark实现的文本相似度实战_代码剖析（下）