課程簡(jiǎn)介

個(gè)性化推薦無(wú)時(shí)不刻的存在于我們的身邊。它解決了商品豐富性和用戶(hù)接觸商品的稀缺性之間的矛盾，給我們帶來(lái)無(wú)窮的商業(yè)價(jià)值。從大數(shù)據(jù)、機(jī)器學(xué)習(xí)框架的角度，我們應(yīng)從對(duì)數(shù)據(jù)的理解入手，決定最佳的數(shù)據(jù)存儲(chǔ)和處理方式，然后不斷地迭代開(kāi)發(fā)更強(qiáng)大的機(jī)器學(xué)習(xí)算法。最后，我們應(yīng)建立模型評(píng)價(jià)體系以評(píng)判模型的好壞，決定什么模型可以最終上線(xiàn)

目標(biāo)收益

個(gè)性化推薦解決了商品豐富性和用戶(hù)接觸商品的稀缺性之間的矛盾，具有巨大的商業(yè)價(jià)值。本課程從大數(shù)據(jù)、機(jī)器學(xué)習(xí)框架的角度系統(tǒng)地介紹主流的推薦算法模型。

培訓(xùn)對(duì)象

課程內(nèi)容

個(gè)性化推薦無(wú)時(shí)不刻的存在于我們的身邊。它解決了商品豐富性和用戶(hù)接觸商品的稀缺性之間的矛盾，給我們帶來(lái)無(wú)窮的商業(yè)價(jià)值。從大數(shù)據(jù)、機(jī)器學(xué)習(xí)框架的角度，我們應(yīng)從對(duì)數(shù)據(jù)的理解入手，決定最佳的數(shù)據(jù)存儲(chǔ)和處理方式，然后不斷地迭代開(kāi)發(fā)更強(qiáng)大的機(jī)器學(xué)習(xí)算法。最后，我們應(yīng)建立模型評(píng)價(jià)體系以評(píng)判模型的好壞，決定什么模型可以最終上線(xiàn)。
我們將通過(guò)以下幾個(gè)方向系統(tǒng)地交流主流的推薦算法模型
?數(shù)據(jù)來(lái)源
?數(shù)據(jù)存儲(chǔ)、讀取和處理
?算法選擇
?算法效率
?模型迭代
?模型判定
?數(shù)據(jù)反饋