阅读 896

大数据机器学习与推荐系统实战-2019年尚硅谷

大数据机器学习与推荐系统实战-2019年尚硅谷

伴随着大数据时代的到来,作为发掘数据规律的重要手段,机器学习已经受到了越来越多的关注。而作为机器学习算法在大数据上的典型应用,推荐系统已成为各行业互联网公司营销体系中不可或缺的一部分,而且已经带来了真实可见的收益。
目前,推荐系统和机器学习已经成为各大公司的发力重点,众多知名公司(如亚马逊、netflix、facebook、阿里巴巴、京东、腾讯、新浪、头条等)都在着眼于将蕴含在庞大数据中的宝藏发掘出来,懂机器学习算法的大数据工程师也成为了新时代最紧缺的人才。
尚硅谷精心打造出了机器学习与推荐系统课程,将机器学习理论与推荐系统项目实战并重,对机器学习和推荐系统基础知识做了系统的梳理和阐述,并通过电影推荐网站的具体项目进行了实战演练,为有志于增加大数据项目经验、扩展机器学习发展方向的工程师提供更好的学习平台。
本课程主要分为两部分,机器学习和推荐系统基础,与电影推荐系统项目实战。
第一部分主要是机器学习和推荐系统基础理论的讲解,涉及到各种重要概念和基础算法,并对一些算法用Python做了实现;
第二部分以电影网站作为业务应用场景,介绍推荐系统的开发实战。其中包括了如统计推荐、基于LFM的离线推荐、基于模型的实时推荐、基于内容的推荐等多个模块的代码实现,并与各种工具进行整合互接,构成完整的项目应用。
通过理论和实际的紧密结合,可以使学员对推荐系统这一大数据应用有充分的认识和理解,在项目实战中对大数据的相关工具和知识做系统的回顾,并且可以掌握基本算法,入门机器学习这一前沿领域,为未来发展提供更多的选择,打开通向算法工程师的大门。

谁适合学:
1. 有一定的 Java、Scala 基础,希望了解大数据应用方向的编程人员
2. 有 Java、Scala 开发经验,了解大数据相关知识,希望增加项目经验的开发人员
3. 有较好的数学基础,希望学习机器学习和推荐系统相关算法的求职人员
〖课程目录〗:
01.尚硅谷_机器学习和推荐系统_课程简介. Z0 C p$ g: U8 `
02.尚硅谷_推荐系统简介_概述
03.尚硅谷_推荐系统简介_推荐系统算法简介 T2 Y, Z5 S, O
04.尚硅谷_推荐系统简介_推荐系统评测: ^4 k- ^9 {1 X
05.尚硅谷_机器学习入门_数学基础(上)& c# U& z6 h# s% L6 i# w
06.尚硅谷_机器学习入门_数学基础(下)$ ?7 m9 L k7 T+ B& P
07.尚硅谷_机器学习入门_机器学习概述! z0 C0 @( ?# `0 B8 l# P5 b/ [
08.尚硅谷_机器学习入门_监督学习(上)
09.尚硅谷_机器学习入门_监督学习(中)
10.尚硅谷_机器学习入门_监督学习(下); t* [3 B( i* r5 U3 }
11.尚硅谷_机器学习模型和算法_python简介. R% J7 \: \$ b! T, b
12.尚硅谷_机器学习模型和算法_python基础语法(上)
13.尚硅谷_机器学习模型和算法_python基础语法(下)
14.尚硅谷_机器学习模型和算法_线性回归(上)
15.尚硅谷_机器学习模型和算法_线性回归最小二乘代码实现(上)
16.尚硅谷_机器学习模型和算法_线性回归最小二乘代码实现(下)
17.尚硅谷_机器学习模型和算法_线性回归(下)5 X3 S7 [8 J: K
18.尚硅谷_机器学习模型和算法_线性回归梯度下降代码实现* ~6 y: q& x$ H5 h9 [
19.尚硅谷_机器学习模型和算法_线性回归调用sklearn库代码实现
20.尚硅谷_机器学习模型和算法_K近邻) T3 y& G+ e: y+ u3 g7 c$ L( k
21.尚硅谷_机器学习模型和算法_K近邻代码实现(上)
22.尚硅谷_机器学习模型和算法_K近邻代码实现(中)
23.尚硅谷_机器学习模型和算法_K近邻代码实现(下)4 O4 b% t0 ~* `' S. h
24.尚硅谷_机器学习模型和算法_逻辑回归(上)0 `( Z; z& u& R& F2 v( J/ ]
25.尚硅谷_机器学习模型和算法_逻辑回归(下)
26.尚硅谷_机器学习模型和算法_决策树
27.尚硅谷_机器学习模型和算法_K均值聚类1 m" B! c! ~' M5 F* y5 i. W
28.尚硅谷_机器学习模型和算法_K均值聚类代码实现(上)% }2 N0 C x! q: R/ M" W8 ?
29.尚硅谷_机器学习模型和算法_K均值聚类代码实现(下)9 t# w' D: S; V5 G
30.尚硅谷_推荐系统_推荐系统算法详解(一)
31.尚硅谷_推荐系统_推荐系统算法详解(二). f) I+ N7 y% f2 S! e
32.尚硅谷_推荐系统_推荐系统算法详解(三)5 ?3 m6 }5 e" s) S8 l1 j
33.尚硅谷_推荐系统_TF-IDF算法代码示例$ T" W+ h; D! M+ \$ y; k# N2 k
34.尚硅谷_推荐系统_推荐系统算法详解(四); m& A3 E" f: U, K; W$ E
35.尚硅谷_推荐系统_推荐系统算法详解(五)3 I O7 A6 t. [( n' E" `
36.尚硅谷_推荐系统_LFM梯度下降算法代码实现(上)' ~1 b, p) X$ d
37.尚硅谷_推荐系统_LFM梯度下降算法代码实现(下)
38.尚硅谷_电影推荐系统_项目系统设计(上). W1 }7 t8 R7 T% Q2 D
39.尚硅谷_电影推荐系统_项目系统设计(中). K, k5 }- e/ U) T* I
40.尚硅谷_电影推荐系统_项目系统设计(下)
41.尚硅谷_电影推荐系统_项目框架搭建
42.尚硅谷_电影推荐系统_数据加载模块(一)
43.尚硅谷_电影推荐系统_数据加载模块(二)# x9 q% i! J( q- F& m6 k
44.尚硅谷_电影推荐系统_数据加载模块(三)) Y, q! ^0 `, b8 K3 B
45.尚硅谷_电影推荐系统_数据加载模块(四)8 }% j4 b* X c3 ]
46.尚硅谷_电影推荐系统_数据加载模块(五)
47.尚硅谷_电影推荐系统_统计推荐模块(上)+ ?0 t6 \% o# E7 `
48.尚硅谷_电影推荐系统_统计推荐模块(中)
49.尚硅谷_电影推荐系统_统计推荐模块(下)
50.尚硅谷_电影推荐系统_基于LFM的离线推荐模块(上)
51.尚硅谷_电影推荐系统_基于LFM的离线推荐模块(中)+ F# P" t5 N- v% v" Q# ]
52.尚硅谷_电影推荐系统_基于LFM的离线推荐模块(下)
53.尚硅谷_电影推荐系统_ALS模型评估和参数选取(上)+ }: {3 N, ~' ~5 h2 V# }
54.尚硅谷_电影推荐系统_ALS模型评估和参数选取(下)
55.尚硅谷_电影推荐系统_实时推荐模块(一)
56.尚硅谷_电影推荐系统_实时推荐模块(二)
57.尚硅谷_电影推荐系统_实时推荐模块(三)
58.尚硅谷_电影推荐系统_实时推荐模块(四)# {& p" H" l3 f# C o( y
59.尚硅谷_电影推荐系统_实时推荐模块(五)
60.尚硅谷_电影推荐系统_实时推荐模块测试& z8 ^5 ^8 B+ x
61.尚硅谷_电影推荐系统_基于内容推荐模块(一)
62.尚硅谷_电影推荐系统_基于内容推荐模块(二)9 C ~$ o, l. h
63.尚硅谷_电影推荐系统_基于内容推荐模块(三)
64.尚硅谷_电影推荐系统_基于内容推荐模块(四)$ t( G+ u) R$ c& @) K: F2 y! L
65.尚硅谷_电影推荐系统_实时系统联调测试(上)
66.尚硅谷_电影推荐系统_实时系统联调测试(下)
点击加载更多
版权声明:本站是系统测试站点,无实际运营。本文内容由互联网用户自发贡献,该文观点仅代表作者本人。本站仅提供信息存储空间服务,不拥有所有权,不承担相关法律责任。如发现本站有涉嫌抄袭侵权/违法违规的内容, 请发送邮件至 XXXXX@163.com 举报,一经查实,本站将立刻删除。
资源总数
104500+
今日更新
3000
会员总数
25806
今日注册
2468