    Spark2.x+协同过滤算法，开发企业级个性化推荐系统【点击下载】 这是一门既讲算法原理又有完整的推荐系统架构的全能课。解决普通的算法课“欠缺从实际场景转化到模型应用的过程”的问题，让大家不仅懂算法原理，更懂如何实施落地。 课程结合算法原理，利用Spark 2.x 和主流技术栈，通过Flume多级高可用日志收集用户行为，使用HBase特征向量存储，利用算法原理结合Spark和Storm进行离线和实时推荐，实现图书电商场景下的个性化推荐系统。 适合人群 1~2年大数据经验，对推荐算法感兴趣的 大数据开发工程师 技术储备要求 Spark基础（Spark Core ，Scala相关知识） 具备Python基础（Numpy的使用） 使用过Hbase，Storm，Hadoop，Flume，Kafka，Hive 有高数基础和概率统计基础 另: 1：《 Spark2.x+协同过滤算法，开发企业级个性化推荐系统》来自某课网，原价388，由猿人部落整理发布！猿人部落承诺，本站所有课程百分百高清，完整，原画，包含所有的视频+素材+课件+源码，官方同步体验！ 2：本站所有课程格式MP4格式无密 可以通过网盘在线学习也可下载到本地，方便快捷！ 3： 所有课程全部支持试看任何章节，可通过点击右侧官方微信扫码添加要求试看！ 4：官方品质，信誉保证，本站包含某课网,某讯课堂,某易云,饥人谷,某度教育....等上万部课程正在陆续更新，感谢同学们的信任与支持，保证让同学们满意！ 5：所有课程都会包更新，只要官方更新本站延迟2-3天就会更新。 6：爱好学习，一直提升自己的小伙伴可以开通会员，享受全站免金币无限制畅快学习！ 7：点击下方链接进行试看，在线看默认流畅，调节成原画，最好直接下载到本地是超清！ 试看链接：https://pan.baidu.com/s/1eGAcRw90ImNFJVZxUvRG0Q 提取码：3xbq 如需咨询请点击 [qq]772441382[/qq] 章节目录： 第1章 课程介绍与学习指南 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？ 1-1 课程介绍及导学 试看 1-2 怎么更好的使用慕课平台 1-3 你真的会问问题吗？ 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 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 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。 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。 4-1 本章作业 4-2 协同过滤的数学知识：最小二乘法 4-3 协同过滤的数学知识：梯度下降法 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 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 4-10 基于矩阵分解模型的两种算法：SVD和PMF 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。 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 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。 6-1 本章重点难点提点 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 ) 第7章 推荐系统搭建——UI界面模块 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 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 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。 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） 8-4 日志清洗和格式化数据（中） 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 第9章 推荐系统搭建——推荐引擎 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 9-2 离线推荐：基于用户角度召回策略筛选候选集（上） 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） 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 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 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 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 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 11-1 AB Test 11-2 AB Test的分流管理 11-3 搭建AB Test 实验控制台（上） 11-4 搭建AB Test 实验控制台（下） 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 12-2 基于Spark实现Apriori算法（上） 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 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。 13-1 RBM神经网络 13-2 CNN卷积神经网络 13-3 RNN循环神经网络 第14章 知识拓展——基于内容的推荐算法 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。 14-1 文本向量化 14-2 基于Spark实现TF-IDF 14-3 课程总结 本课程已完结 |
|
猿人部落
( A20190523-0239 )
Powered by Discuz! X3.4 © 2001-2013 Comsenz Inc. GMT+8, 2024-11-22 23:43 , Processed in 0.067764 second(s), 31 queries .
