大資料推薦系統演算法程式碼全接觸（機器學習演算法+Spark實現）
課程出自學途無憂網

課程分享地址：https://pan.baidu.com/s/1piCNIxC2Sv0zMY0yWxY9Ug 

提取碼：b10v

一、課程簡介：

推薦系統是利用電子商務網站向客戶提供商品資訊和建議，幫助使用者決定應該購買什麼產品，模擬銷售人員幫助客戶完成購買過程。個性化推薦是根據使用者的興趣特點和購買行為，向用戶推薦使用者感興趣的資訊和商品。隨著電子商務規模的不斷擴大，商品個數和種類快速增長，顧客需要花費大量的時間才能找到自己想買的商品。這種瀏覽大量無關的資訊和產品過程無疑會使淹沒在資訊過載問題中的消費者不斷流失。

為了解決這些問題，個性化推薦系統應運而生。個性化推薦系統是建立在海量資料探勘基礎上的一種高階商務智慧平臺，以幫助電子商務網站為其顧客購物提供完全個性化的決策支援和資訊服務。

本課程全面介紹了推薦系統所涉及的最常見的演算法及企業應用場景以及結合大資料Spark的程式碼實現，系企業一線推薦系統演算法工程師結合親身工作經歷講解，企業內部培訓，現場實錄，全套課件+程式碼，具有很強的實用意義和參考價值

二、課程目錄：

任務1： 企業眼中的演算法與演算法工程師
任務2： 什麼是推薦系統及推薦系統的分類
任務3： 推薦系統的概念與應用（sku、spu、uv與pv、ctr與cvr）
任務4： 協同過濾實戰01_概念、推薦書籍與企業應用
任務5： 協同過濾實戰02_基於使用者的協同過濾演算法(User-Based)概述
任務6： 協同過濾實戰03_使用者相似度推薦開發_Spark程式碼實現（上）
任務7： 協同過濾實戰03_使用者相似度推薦開發_Spark程式碼實現（中）
任務8： 協同過濾實戰03_使用者相似度推薦開發_Spark程式碼實現（下）
任務9： 協同過濾實戰04_基於項的協同過濾（Item-Based）演算法概述
任務10： 協同過濾實戰05_商品相似度推薦開發原理與分析實現（上）
任務11： 協同過濾實戰05_商品相似度推薦開發原理與分析實現（下）
任務12： 協同過濾實戰06_Matrix Factorization（ALS演算法）詳解（上）
任務13： 協同過濾實戰06_Matrix Factorization（ALS演算法）詳解（下）
任務14： 協同過濾實戰07_電影評分ALS推薦開發（上）
任務15： 協同過濾實戰07_電影評分ALS推薦開發（下）
任務16： 內容推薦實戰01_Item Profiles原理詳解（上）
任務17： 內容推薦實戰01_Item Profiles原理詳解（下）
任務18： 內容推薦實戰02_User Profiles原理精講
任務19： 內容推薦實戰03_TF-IDF演算法原理精講
任務20： 內容推薦實戰03_TF-IDF演算法_Spark程式碼實現（上）
任務21： 內容推薦實戰03_TF-IDF演算法_Spark程式碼實現（下）
任務22： 混合推薦實戰01_Bagging & boosting演算法原理
任務23： 混合推薦實戰02_Adaboost演算法演算法原理（上）
任務24： 混合推薦實戰02_Adaboost演算法演算法原理（下）
任務25： 混合推薦實戰03_GDBT演算法原理與實現（上）
任務26： 混合推薦實戰03_GDBT演算法原理與實現（中）
任務27： 混合推薦實戰03_GDBT演算法原理與實現（下）
任務28： 混合推薦實戰04_andom forest理論講解
任務29： 混合推薦實戰05_MinHash LSH演算法講解（上）
任務30： 混合推薦實戰05_MinHash LSH演算法講解（下）
任務31： 混合推薦實戰05_MinHash LSH演算法_Spark程式碼實現（上）
任務32： 混合推薦實戰05_MinHash LSH演算法_Spark程式碼實現（下）
任務33： 基於Spark實現的文字相似度實戰_程式碼剖析（上）
任務34： 基於Spark實現的文字相似度實戰_程式碼剖析（下）