课程总览:
01-推荐系统与大数据的关系 101-大数据应用案例 102-大数据技术框架 103-推荐系统的技术栈 104-课程的基础要求和安排 02-认识推荐系统 201-什么是推荐系统 202-推荐系统的应用案例 203-推荐系统的评测方法 204-推荐系统的评测指标 03-推荐系统设计 301-推荐系统的设计 302-用户界面的重要性 04-大数据lambda架构 401-什么是lambda架构 402-Lambda架构之批处理层 403-Lambda架构之实时处理层 404-Lambda架构之服务层 405-大数据平台快速部署-实践 406-配置Mysql和Redis-实践 407-安装Kafka-实践 408-安装测试Spark-实践 05-用户画像系统 501-什么是用户画像 502-用户画像的数学描述 503-用户画像系统流程 504-用户画像系统架构 505-用户标签使用案例 506-算法和模型的评价 507-SparkML代码实现 508-代码实例1之模型训练及参数设置-实践 509-代码实例1之参数设置及模型测试-实践 510-代码实例2之使用管道 511-代码实例2之使用管道-实践 512-代码实例3之模型调优 513-代码示例3之模型调优-实践 514-代码示例4之模型调优-实践 515-用户画像系统应用 06-推荐算法 601-推荐模型构建流程 602-推荐算法概述 603_基于协同过滤的推荐算法 604_相似度的计算 605_基于模型的方法 606_协同过滤的实现 607-推荐系统冷启动问题 608-推荐案例实践准备 609-推荐案例IDE环境配置-实践 07-Mahout推荐算法实战 701-Mahout概述 702_Mahout推荐系统组件 703-Mahout推荐系统评估 704-Mahout开发环境部署-实践 705-Mahout推荐实例1之偏好数组-实践 706-Mahout推荐实例2之数据模型-实践 707-Mahout推荐实例3之构建模型-实践 708-Mahout推荐实例4之模型评估1-实践 709-Mahout推荐实例5之模型评估2-实践 710-Mahout推荐实例6之电影推荐1-实践 711-Mahout推荐实例6之电影推荐2-实践 712-Mahout推荐实例6之电影推荐3-实践 713-Mahout推荐实例7之图书推荐1-实践 714-Mahout推荐实例7之图书推荐2-实践 715-Mahout推荐实例7之图书推荐3-实践 716-Mahout推荐实战-实践 08-Spark推荐算法实战 801-Mahout推荐实战补充-实践 802-SparkMLlib概述 803-MLlib推荐算法介绍 804-MLlib推荐算法实战 805-MLlib推荐实例之定义解析函数-实践 806_MLlib推荐实例之探索DataFrame-实践 807-MLlib推荐实例之ALS模型推荐-实践 808-MLlib推荐实例之模型评估-实践 809-推荐实战之开发环境准备-实践 810-推荐实战之实现用户评分函数-实践 811-推荐实战之实现计算RMSE函数-实践 812-推荐实战之参数设置及数据加载-实践 813-推荐实战之用户调查及数据拆分-实践 814-推荐实战之模型训练及评估-实践 815-推荐实战之个性化推荐-实践 816-推荐实战之测试部署-实践 09-推荐系统与Lambda架构 901-推荐系统与Lambda架构 902_推荐系统数据收集背景 903-FlumeNG数据收集系统 904-Web日志数据采集Flume部署配置-实践 905-Web日志数据采集Flume运行测试-实践 906_Sqoop数据收集工具 907-Sqoop收集账户数据-实践 908-HDFS数据存储系统 909-上传知识库文档到HDFS 910-HBase数据库存储系统 911-加载并访问Hbase的评分数据-实践 912-推荐系统综合实战 913-推荐系统离线层实现-实践 914-推荐系统服务层实现-实践 915-推荐系统实时层实现-实践
链接:
|