【限时】推荐算法工程师培养计划

《推荐算法工程师培养计划》

专注于培养行业TOP10%的推荐算法工程师

对课程有意向的同学

报名、课程咨询

👇👇👇

02 课程大纲 第一部分：推荐系统之内容理解与画像构建

Week1：机器学习基础

• 逻辑回归模型
• 梯度下降法
• 神经网络模型
• 过拟合与正则
• 常用的评价指标
• 常用的优化算法
• 向量、矩阵基础

Week2：推荐系统基础

• 推荐系统概述、架构设计
• 推荐系统后台数据流设计
• 常用的技术栈
• 推荐系统中的评价指标
• 简单的用户协同
• 环境搭建

Week3：内容画像的构建以及NLP技术

• 内容画像的搭建基础
• 关键词提取技术tf-idf, textRank
• LSTM与注意力机制
• Attention的几种常用方式
• Self-Attention
• Multi-head Attention
• 双线性Attention
• NLP工具的使用
• MySQL数据库的搭建与内容画像存储

Week4：用户画像的构建

• 用户画像与内容画像的关系
• 用户画像的架构
• 用户画像的扩展
• 用户画像与排序特征
• 用途：基于标签的用户画像
• 标签权重的计算方法（贝叶斯平滑、时间衰减）
• 基于用户画像的召回方法
• Redis的搭建与使用
• 基于Redis的用户画像存储
• Hadoop, Hive, Spark等工具使用

Week5：传统Matching方法

• MF召回法以及求解
• 特征值分解
• 传统奇异值分解之SVM
• FunkSVD
• ALS方法
• SVD++
• 基于物品的协同Item-CF

Week6：深度 Matching方法

• MF召回法以及求解
• 理解Embedding技术
• Embedding为什么有效
• Embedding与稀疏ID类特征的关系
• Item-CF召回与Item2Vec
• Airbnb序列召回与冷启动缓解思路
• NCF召回以及变种
• YouTube召回方法
• 从DSSM到双塔模型
• 双塔模型工业界的部署方法
• 多兴趣召回
• MIND召回
• Faiss工具介绍
• KD树，LSH，Simhash

Week7: Graph Embedding与用户行为构建图

• MIND召回
• 随机游走于传统协同方法
• Deepwalk
• Node2Vec及其同质性与结构性
• LINE
• 随机游走的实现
• Alias采样方法
• Neo4j讲解
• Graph Embedding的实现
• Node2Vec的实现

Week8: 图推荐、图神经网络、采样与热度打压

• MIND召回
• Graph Embedding优化
• EGS，注意力机制及其变种
• Ripple网络方法
• 召回层采样的坑与技巧
• 热度抑制
• EGES的实现
• GCN和GAT
• GraphSage

Week9: 经典Ranking模型方法

• MIND召回
• Ranking与用户画像
• 物品画像
• LR模型
• GBDT+ LR
• FM模型详解、业界使用方法与坑
• FFM模型
• AUC与GAUC
• 增量学习与Online Learning
• 从L1稀疏化、FOBOS到FTRL算法
• 基于FM实现Ranking精排序

Week10: 深度Ranking模型与工业采样技巧

• 粗排与精排及其意义
• 主流深度推荐模型的集中范式
• 特征自动组合：Deep&Cross, XDeepFM, PNN
• 特征重要度提取以及无用特征去噪：AFM， DeepFFM
• 序列推荐模型：DIN，DIEN， AttRes，Stamp
• 独辟蹊径之序列推荐的优化思路
• 深度模型工具的介绍与使用
• MLSQL
• DeepCTR等与工业界采样方法

Week11: 重排序与多目标学习

• 多目标学习的几种范式
• 范式一：样本加权
• 范式二：多模型融合
• 范式三：联合训练、ESMM，MMOE框架，ESM2等
• ESMM的实现

Week12-13: 工业界新闻推荐系统中冷启动与热点文章实时召回

• 人群分桶
• 实时交互正反馈
• 实时召回与实时画像技术
• 人群投票
• 人群等级投票
• 降维分发
• 后验与先验的结合
• 引入注意力机制的优化兴趣增加和衰减
• 热点文章召回策略
• 本地文章召回策略
• 算法策略与运营配合协作

Week14: 强化学习与推荐系统、AutoML与推荐系统

• 强化学习概念、以及在推荐系统中的对应
• DP算法本质思想
• 马尔科夫决策
• 蒙特卡洛搜索所树(MCTS)
• UCB及其在推荐系统中的应用
• 汤普森采样法
• Q-Learning、DRN、策略梯度
• 强化学习在推荐场景中的应用

Week15: 项目总结，部署以职业规划

• 工业界项目的部署
• 推荐系统岗位的面试要点
• 大厂的面试攻略
• 如何准备简历、包装自己
• 职业规划

03 课程适合谁？ 大学生

• 理工科相关专业的本科/硕士/博士生，毕业后想从事AI工作的人
• 希望能够深入AI领域，为科研或者出国做准备

• 目前从事IT相关的工作，今后想做跟推荐相关的项目
• 目前从事AI相关的工作，希望与时俱进，加深对技术的理解
• 希望能够及时掌握前沿技术

04 报名须知

1、本课程为收费教学。

2、本期仅招收剩余名额有限。

3、品质保障！正式开课后7天内，无条件全额退款。

4、学习本课程需要具备一定的机器学习基础。

课程其他的细节可以联系课程顾问来获取

报名、课程咨询

👇👇👇

— 完—

点这里 👇关注我，记得标星，么么哒～

一键三连「分享」、「点赞」和「在看」

科技前沿进展日日相见~