📚 课程介绍
本课程从推荐系统的基础架构、特征工程、召回和排序到效果评估，通过实战项目，帮助学员全面掌握推荐系统开发。
📋 学习前提
1. Python基础（Python是一种面向对象的解释型编程语言，适合快速开发） 2. 数据结构与算法基础（理解数据存储和处理的基本原理） 3. 机器学习基础（了解常用的机器学习算法和模型） 4. 大数据技术基础（了解Hadoop、Spark等大数据处理框架）
📖 课程目录
第1章 前言
1-1 前言–关于这门课
1-2 推荐系统是什么
1-3 课程章节导览
第2章 基础架构
2-1 典型的推荐系统架构是什么样的（上）
2-2 典型的推荐系统架构是什么样的（下）
2-3 课程项目介绍和技术选型
2-4 后端服务框架搭建—召回服务（上）
2-5 后端服务框架搭建—召回服务（中）
2-6 后端服务框架搭建—召回服务（下）
2-7 后端服务框架搭建—召回服务
2-8 后端服务框架搭建—召回服务（下）
2-9 后端服务框架搭建-排序与API服务
2-10 课程项目前端页面搭建
第3章 特征工程
3-1 特征工程—为推荐系统准备食材（上）
3-2 特征工程—为推荐系统准备食材（下）
3-3 如何做好特征工程（上）
3-4 如何做好特征工程（中）
3-5 如何做好特征工程（下）
3-6 用pandas可视化数据（上）
3-7 用pandas可视化数据（下）
3-8 用Spark处理特征（上）
3-9 Spark—业界最流行的大数据框架
3-10 用Spark处理特征（下）
3-11 用Spark处理特征（下）
第4章 召回
4-1 召回层—如何快速筛选出用户喜欢的物品（上）
4-2 召回层—如何快速筛选出用户喜欢的物品（下）
4-3 如何将Word2Vec用于推荐（上）
4-4 如何将Word2Vec用于推荐（下）
4-5 实现Item2Vec（上）
4-6 实现Item2Vec（中）
4-7 实现Item2Vec（下）
4-8 用Redis存储Embedding
4-9 最近邻查找算法—如何使用Embedding（上）
4-10 最近邻查找算法—如何使用Embedding（下）
4-11 用FAISS实现LSH
4-12 召回服务最终完善
第5章 排序
5-1 排序层—如何活动最精确的结果排序
5-2 协同过滤—最经典的排序算法
5-3 协同过滤算法实现
5-4 深度学习需要的特征如何处理（上）
5-5 深度学习—革命性的机器学习模型
5-6 TensorFlow—业界最著名的深度学习框架
5-7 用三个例子体验TensorFlow（上）
5-8 用三个例子体验TensorFlow（下）
5-9 MLP—最经典的深度学习模型
5-10 深度学习需要的特征如何处理（下）
5-11 搭建并训练MLP模型（上）
5-12 搭建并训练MLP模型（中）
5-13 搭建并训练MLP模型（下）
5-14 模型调优怎么做（1）
5-15 模型调优怎么做（2）
5-16 模型调优怎么做（3）
5-17 模型调优怎么做（4）
5-18 利用深度学习模型完善排序服务
5-19 模型调优怎么做（4）
第6章 效果评估
6-1 如何衡量推荐系统的好坏（上）
6-2 如何衡量推荐系统的好坏（下）
6-3 在线评价系统的方法：AB测试
6-4 在线评价系统的方法：AB测试
6-5 代码实现AB测试功能（上）
6-6 代码实现AB测试功能（下）
第7章 深入学习
7-1 实践问题—如何解决冷启动（上）
7-2 实践问题—如何解决冷启动（下）
7-3 实践问题—如何增强系统实时性（上）
7-4 实践问题—如何增强系统实时性（下）
7-5 用Flink处理用户实时行为反馈（上）
7-6 用Flink处理用户实时行为反馈（中）
7-7 用Flink处理用户实时行为反馈（下）
第8章 结语
8-1 拓展篇之强化学习
8-2 前沿拓展之Wide&Cross模型（上）
8-3 前沿拓展之Wide&Cross模型（下）
8-4 回顾+结语
