课程立足在跨境电商、内容社区与数字文娱领域的产业优势，采用“基础架构—>特征工程—>召回策略—>排序模型—>效果评估—>实时计算”的六维全链路教学体系。课程从典型的推荐系统微服务架构起步，深入剖析前端页面搭建与后端API定义。随后重点攻坚基于Spark的大数据处理与Kafka/Cassandra行为日志处理，掌握Word2Vec/Item2Vec向量检索与FAISS引擎。最终进阶至TensorFlow深度学习排序（MLP）、AB测试评估体系以及Flink实时流处理与强化学习前沿拓展，助你从一名普通开发者蜕变为具备工业级系统设计能力与复杂业务落地能力的顶级推荐算法专家。
课程目录：
实战中提升竞争力
| 课件.zip
|
+—{1}–第1章【前言】初探推荐系统
| [1.1]–1-1前言–关于这门课.mp4
| [1.2]–1-2推荐系统是什么.mp4
| [1.3]–1-3课程章节导览.mp4
|
+—{2}–第2章【基础架构】推荐系统架构&项目搭建
| (2.1)–2-3推荐系统架构–如何设计一个推荐系统.pdf
| (2.2)–2-5课程项目微服务API定义.pdf
| (2.3)–2-12【梳理】推荐系统常用特征.pdf
| (2.4)–2-13【梳理】重难点概览.pdf
| [2.1]–2-1典型的推荐系统架构是什么样的（上）.mp4
| [2.2]–2-2典型的推荐系统架构是什么样的（下）.mp4
| [2.3]–2-4课程项目介绍和技术选型.mp4
| [2.4]–2-6后端服务框架搭建—召回服务（上）.mp4
| [2.5]–2-7后端服务框架搭建—召回服务（中）.mp4
| [2.6]–2-8后端服务框架搭建—召回服务（下）.mp4
| [2.7]–2-9后端服务框架搭建-排序与API服务.mp4
| [2.8]–2-11课程项目前端页面搭建.mp4
|
+—{3}–第3章【特征工程】为推荐系统准备数据
| (3.1)–3-6数据爬虫的编订.pdf
| (3.2)–3-17【梳理】特征处理方法.pdf
| (3.3)–3-18【梳理】重难点概览.pdf
| [3.10]–3-12用Spark处理特征（下）.mp4
| [3.11]–3-13如何采集用户行为数据.mp4
| [3.12]–3-14使用Kafka和Cassandra处理行为数据（上）.mp4
| [3.13]–3-15使用Kafka和Cassandra处理行为数据（下）.mp4
| [3.1]–3-1特征工程—为推荐系统准备食材（上）.mp4
| [3.2]–3-2特征工程—为推荐系统准备食材（下）.mp4
| [3.3]–3-3如何做好特征工程（上）.mp4
| [3.4]–3-4如何做好特征工程（中）.mp4
| [3.5]–3-5如何做好特征工程（下）.mp4
| [3.6]–3-7用pandas可视化数据（上）.mp4
| [3.7]–3-8用pandas可视化数据（下）.mp4
| [3.8]–3-10Spark—业界最流行的大数据框架.mp4
| [3.9]–3-11用Spark处理特征（上）.mp4
|
+—{4}–第4章【召回】筛选出用户的心头好
| (4.1)–4-15【梳理】重难点概览.pdf
| [4.10]–4-11最近邻查找算法—如何使用Embedding（下）.mp4
| [4.11]–4-12用FAISS实现LSH.mp4
| [4.12]–4-14召回服务最终完善.mp4
| [4.1]–4-1召回层—如何快速筛选出用户喜欢的物品（上）.mp4
| [4.2]–4-2召回层—如何快速筛选出用户喜欢的物品（下）.mp4
| [4.3]–4-3如何将Word2Vec用于推荐（上）.mp4
| [4.4]–4-4如何将Word2Vec用于推荐（下）.mp4
| [4.5]–4-5实现Item2Vec（上）.mp4
| [4.6]–4-6实现Item2Vec（中）.mp4
| [4.7]–4-7实现Item2Vec（下）.mp4
| [4.8]–4-9用Redis存储Embedding.mp4
| [4.9]–4-10最近邻查找算法—如何使用Embedding（上）.mp4
|
+—{5}–第5章【排序】对推荐结果进行精确排序
| (5.1)–5-22【梳理】重难点梳理.pdf
| [5.10]–5-11深度学习需要的特征如何处理（下）.mp4
| [5.11]–5-12如何保存线上服务特征.mp4
| [5.12]–5-13搭建并训练MLP模型（上）.mp4
| [5.13]–5-14搭建并训练MLP模型（中）.mp4
| [5.14]–5-15搭建并训练MLP模型（下）.mp4
| [5.15]–5-16模型调优怎么做（1）.mp4
| [5.16]–5-17模型调优怎么做（2）.mp4
| [5.17]–5-18模型调优怎么做（3）.mp4
| [5.18]–5-19模型调优怎么做（4）.mp4
| [5.19]–5-21利用深度学习模型完善排序服务.mp4
| [5.1]–5-1排序层—如何活动最精确的结果排序.mp4
| [5.2]–5-2协同过滤—最经典的排序算法.mp4
| [5.3]–5-3协同过滤算法实现.mp4
| [5.4]–5-5深度学习—革命性的机器学习模型.mp4
| [5.5]–5-6TensorFlow—业界最著名的深度学习框架.mp4
| [5.6]–5-7用三个例子体验TensorFlow（上）.mp4
| [5.7]–5-8用三个例子体验TensorFlow（下）.mp4
| [5.8]–5-9MLP—最经典的深度学习模型.mp4
| [5.9]–5-10深度学习需要的特征如何处理（上）.mp4
|
+—{6}–第6章【效果评估】衡量推荐结果的好坏
| (6.1)–6-7【梳理】推荐模型离线评估.pdf
| [6.1]–6-1如何衡量推荐系统的好坏（上）.mp4
| [6.2]–6-2如何衡量推荐系统的好坏（下）.mp4
| [6.3]–6-4在线评价系统的方法：AB测试.mp4
| [6.4]–6-5代码实现AB测试功能（上）.mp4
| [6.5]–6-6代码实现AB测试功能（下）.mp4
|
+—{7}–第7章【深入学习】工程中的实践问题探讨
| (7.1)–7-9【拓展】Flink中的时间.pdf
| [7.1]–7-1实践问题—如何解决冷启动（上）.mp4
| [7.2]–7-2实践问题—如何解决冷启动（下）.mp4
| [7.3]–7-3实践问题—如何增强系统实时性（上）.mp4
| [7.4]–7-4实践问题—如何增强系统实时性（下）.mp4
| [7.5]–7-5用Flink处理用户实时行为反馈（上）.mp4
| [7.6]–7-6用Flink处理用户实时行为反馈（中）.mp4
| [7.7]–7-7用Flink处理用户实时行为反馈（下）.mp4
|
\—{8}–第8章【结语】前沿拓展
[8.1]–8-1拓展篇之强化学习.mp4
[8.2]–8-2前沿拓展之Wide&Cross模型（上）.mp4
[8.3]–8-3前沿拓展之Wide&Cross模型（下）.mp4
[8.4]–8-4回顾+结语.mp4
下载地址：
感谢您的来访，获取更多精彩文章请收藏本站。
