课程立足于信息爆炸时代对个性化分发引擎的迫切需求，采用“业务目标导向+工业级漏斗架构+全链路工程实战”的三维进阶体系。课程首先打破初学者的“盲人摸象”式认知，将推荐系统定义为商业目标的数学化翻译。随后，你将深入剖析工业界严苛的“漏斗式流水线”架构，掌握从海量候选集的大浪淘沙（召回）、多维度特征交叉打分（排序）到兼顾人情世故（重排）的全局思维。课程不仅涵盖了经典的协同过滤、矩阵分解等底层技术，更深度融入了Word2Vec/Item2Vec、深度学习MLP模型、FAISS向量检索以及Kafka/Flink实时流处理等前沿工业组件，带你从零构建一套端到端的推荐系统，实现从“算法实现者”向“商业问题解决者”的华丽蜕变。
课程目录：
全局视角系统学习
| 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。
