七月在线 推荐系统实战 大纲调整讨论


课程介绍
推荐技术目前在各大电商平台、视频平台、新闻平台有着举足轻重的作用,是互联网公司进行流量变现、提升体验的重要手段。比如,今日头条就通过炉火纯青的推荐技术,直接缔造了其母公司“字节跳动”超500亿美金的市值。
本课程将首次全面公开推荐技术在BAT中的核心应用,从BAT、头条、Google等公司最成熟和先进的算法架构展开,主要内容包括:
三大架构模块:召回推荐、精排序、重排序;
三大算法类型:浅度学习、深度学习、强化学习;
三大应用场景:电商推荐、社交推荐、Feeds流角度来讲述整个课程。
两位讲师均为BAT推荐系统相关业务的技术负责人,拥有丰富的研究经历和实战经验。该课程中,他们将直接展示BAT、头条、Google等推荐系统的核心业务、数据和场景,从而足不出户便可获得在顶级公司的宝贵技能和经验。

课程大纲
第一阶段 掌握BAT推荐系统和常用算法
第1课 推荐系统简介:Youtube、Google、BAT、头条等
知识点1: 系统架构、模块介绍(召回、排序、重排序算法和系统等)
知识点2: 推荐算法评估指标
知识点3: A/B Test 系统
知识点4: 冷启动问题和工业界解决方案
实战项目: 冷启动解决方案代码实战
第2课 召回算法和业界最佳实践(一)
知识点1: BAT里常用的CF算法以及变种(User/Item CF等变种)
知识点2: Hybrid CF 算法
知识点3: Model Based CF(LFM矩阵分解、NMF、SVD)
知识点4: 基于改进版协同过滤算法实战
第3课 召回算法和业界最佳实践(二)
知识点1: Graph 推荐召回算法
知识点2: 倒排召回算法系统设计
知识点3: Embedding 召回(DNN)
实战项目: 基于隐语义模型推导和实战

第二阶段 深入BAT内部推荐&排序架构
第4课 用户建模(召回、排序都会用到)
知识点1: BAT公司里常见的用户建模
知识点2: 特征工程、分类模型开发
实战项目: 如何做一个用户偏好模型实战
第5课 重排序算法:Learn to Rank
知识点1: Pointwise/Pairwise/Listwise排序(全局排序)
知识点2: 多目标优化(ESMM等)
知识点3: 多样性排序(BAT真实场景用户体验优化)
实战项目: 多目标预估算法实战
第6课 排序算法&深度学习模型(一)
知识点1: 推荐系统的 Rank 模块介绍
知识点2: 基于规则的Rank算法
知识点3: Rank模型进入机器学习时代
知识点4: BAT模型改进:从浅度到深度Rank学习(WDL、DeepFM、DeepCross等)(上)
实战项目: 工业界CTR模型实战(TensorFlow)
第7课 排序算法&深度学习模型(二)
知识点1: BAT模型改进:从浅度到深度Rank学习(Attention、知识图谱、LSTM等)(下)
知识点2: Rank模型中的特征工程(BAT里基础建模流程构造:涉及样本、特征、模型、系统设计和实践)
知识点3: 工业界实际的CTR后校准技术
知识点4: 工业界大规模训练&在线引擎
实战项目: 阿里CTR-CVR数据上的MTL-ESMM实战(TensorFlow)
第8课 学术界最新算法在BAT的应用
知识点1: 电商推荐中的Delayed reward强化学习算法
知识点2: GAN等技术在推荐系统的实践
实战项目: 强化学习排序算法实战

第三阶段 通晓Online Learning和业务场景推荐
第9课 实时化技术升级
知识点1: Online Learning 算法(FTRL、增量学习等)
知识点2: Online Learning 在BAT的系统架构
实战项目: Online Learning 最新算法实现
第10课 掌握真实业务场景下的推荐算法
知识点1: 社交推荐算法
知识点2: 短视频推荐算法
知识点3: 音乐推荐
知识点4: 新闻推荐
知识点5: 电商推荐
实战项目: 如何用机器学习来解决工业界中的实际问题
已邀请:

463531

赞同来自: Darlingpan


真的真的真的很厉害

要回复问题请先登录注册