开篇词 (1讲)
开篇词 | 用知识去对抗技术不平等
时长 06:20
概念篇 (3讲)
01 | 你真的需要个性化推荐系统吗?
时长 08:43
02 | 个性化推荐系统有哪些绕不开的经典问题?
时长 11:18
03 | 这些你必须应该具备的思维模式
时长 09:46
原理篇 · 内容推荐 (3讲)
04 | 画鬼容易画人难:用户画像的“能”和“不能”
时长 10:25
05 | 从文本到用户画像有多远
时长 19:03
06 | 超越标签的内容推荐系统
时长 10:16
原理篇 · 近邻推荐 (3讲)
07 | 人以群分,你是什么人就看到什么世界
时长 13:25
08 | 解密“看了又看”和“买了又买”
时长 12:17
09 | 协同过滤中的相似度计算方法有哪些
时长 09:31
原理篇 · 矩阵分解 (3讲)
10 | 那些在Netflix Prize中大放异彩的推荐算法
时长 12:18
11 | Facebook是怎么为十亿人互相推荐好友的
时长 11:50
12 | 如果关注排序效果,那么这个模型可以帮到你
时长 11:33
原理篇 · 模型融合 (3讲)
13 | 经典模型融合办法:线性模型和树模型的组合拳
时长 17:14
14 | 一网打尽协同过滤、矩阵分解和线性模型
时长 09:52
15 | 深度和宽度兼具的融合模型 Wide and Deep
时长 14:10
原理篇 · MAB问题 (3讲)
16 | 简单却有效的Bandit算法
时长 14:22
17 | 结合上下文信息的Bandit算法
时长 10:38
18 | 如何将Bandit算法与协同过滤结合使用
时长 11:45
原理篇 · 深度学习 (2讲)
19 | 深度学习在推荐系统中的应用有哪些?
时长 12:55
20 | 用RNN构建个性化音乐播单
时长 11:00
原理篇 · 其他应用算法 (3讲)
21 | 构建一个科学的排行榜体系
时长 11:42
22 | 实用的加权采样算法
时长 07:29
23 | 推荐候选池的去重策略
时长 08:43
工程篇 · 常见架构 (3讲)
24 | 典型的信息流架构是什么样的
时长 14:01
25 | Netflix个性化推荐架构
时长 12:16
26 | 总览推荐架构和搜索、广告的关系
时长 10:41
工程篇 · 常见模块 (4讲)
27 | 巧妇难为无米之炊:数据采集关键要素
时长 15:11
28 | 让你的推荐系统反应更快:实时推荐
时长 14:07
29 | 让数据驱动落地,你需要一个实验平台
时长 12:50
30 | 推荐系统服务化、存储选型及API设计
时长 12:40
工程篇 · 效果保证 (3讲)
31 | 推荐系统的测试方法及常用指标介绍
时长 16:48
32 | 道高一尺魔高一丈:推荐系统的攻防
时长 12:14
33 | 和推荐系统有关的开源工具及框架介绍
时长 05:50
产品篇 (3讲)
34 | 推荐系统在互联网产品商业链条中的地位
时长 12:04
35 | 说说信息流的前世今生
时长 09:38
36 | 组建推荐团队及工程师的学习路径 隐藏内容此处内容需要权限查看
会员免费查看
隐藏内容
此处内容需要权限查看
会员免费查看时长 10:01
结束语与参考阅读 (3讲)
加餐 | 推荐系统的参考阅读
时长 01:45
结束语 | 遇“荐”之后,江湖再见
时长 04:55
结课测试 | 推荐系统的这些知识,你都掌握了吗?
时长 00:45
声明:本站所有文章,如无特殊说明或标注,均为本站原创发布。任何个人或组织,在未征得本站同意时,禁止复制、盗用、采集、发布本站内容到任何网站、书籍等各类媒体平台。如若本站内容侵犯了原著者的合法权益,可联系我们进行处理。