課程目錄：
第1章 個性化推薦演算法綜述
個性化推薦演算法綜述部分，主要介紹個性化推薦演算法綜述，本課程內容大綱以及本課程所需要準備的程式設計環境與基礎知識。

1-1 個性化推薦演算法課程導學 試看
1-2 個性化推薦演算法綜述 試看
1-3 個性化召回演算法綜述 試看
第2章 基於鄰域的個性化召回演算法LFM
本章節重點介紹一種基於鄰域的個性化召回演算法，LFM。從LFM演算法的理論知識與數學原理進行介紹。並結合公開資料集，程式碼實戰LFM演算法。

2-1 LFM演算法綜述
2-2 LFM演算法的理論基礎與公式推導
2-3 基礎工具函式的程式碼書寫
2-4 LFM演算法訓練資料抽取
2-5 LFM模型訓練
2-6 基於LFM的使用者個性化推薦與推薦結果分析
第3章 基於圖的個性化推薦召回演算法personal rank
本章節重點介紹一種基於圖的個性化推薦召回演算法personal rank。從personal rank演算法的理論知識與數學原理進行介紹。並結合公開資料集，程式碼實戰personal rank演算法的基礎版本與矩陣升級版本。

3-1 personal rank演算法的背景與物理意義
3-2 personal rank 演算法的數學公式推導
3-3 程式碼構建使用者物品二分圖
3-4 程式碼實戰personal rank演算法的基礎版本
3-5 程式碼實戰personal rank演算法矩陣版本上
3-6 程式碼實戰personal rank演算法的矩陣版本下 -1
3-7 程式碼實戰personal rank演算法的矩陣版本下-2
第4章 基於深度學習的個性化召回演算法item2vec
本章節重點介紹一種基於深度學習的個性化召回演算法item2vec。從item2vec的背景與物理意義以及演算法的主流程進行介紹。並對該演算法依賴的模型word2vec數學原理進行淺析。最後結合公開資料集程式碼實戰item2vec演算法。

4-1 item2vec演算法的背景與物理意義
4-2 item2vec依賴模型word2vec之cbow數學原理介紹
4-3 item2vec依賴模型word2vec之skip gram數學原理介紹
4-4 程式碼生成item2vec模型所需訓練資料
4-5 word2vec執行引數介紹與item embedding
4-6 基於item bedding產出物品相似度矩陣與item2vec推薦流程梳理
第5章 基於內容的推薦方法content based
本章節重點介紹一種基於內容的推薦方法content based。從content based演算法的背景與主體流程進行介紹。並程式碼實戰content based演算法。

5-1 content based演算法理論知識介紹
5-2 content based演算法程式碼實戰之工具函式的書寫
5-3 使用者刻畫與基於內容推薦的程式碼實戰。
第6章 個性化召回演算法總結與回顧
本章節重點總結前面幾章節介紹過的個性化召回演算法。並介紹如何從離線與線上兩個大方面評估新增一種個性化召回演算法時的收益。

6-1 個性化召回演算法總結與評估方法的介紹。
第7章 綜述學習排序
綜述學習排序的思路，並介紹工業界排序架構以及本課程重點講解的學習排序模型。

7-1 學習排序綜述
第8章 淺層排序模型邏輯迴歸
本章節重點介紹一種排序模型，邏輯迴歸模型。從邏輯迴歸模型的背景知識與數學原理進行介紹。並介紹樣本選擇與特徵選擇相關知識。最後結合公開資料集。程式碼實戰訓練可用的邏輯迴歸模型。

8-1 邏輯迴歸模型的背景知識介紹
8-2 邏輯迴歸模型的數學原理
8-3 樣本選擇與特徵選擇相關知識
8-4 程式碼實戰LR之樣本選擇
8-5 程式碼實戰LR之離散特徵處理
8-6 程式碼實戰LR之連續特徵處理
8-7 LR模型的訓練
8-8 LR模型在測試資料集上表現-上
8-9 LR模型在測試資料集上表現-下
8-10 LR模型訓練之組合特徵介紹
第9章 淺層排序模型gbdt
本章節重點介紹排序模型gbdt。分別介紹梯度提升樹以及xgboost的數學原理。並介紹gbdt與LR模型的混合模型網路。最合結合公開資料集，程式碼實戰訓練gbdt模型以及gbdt與LR混合模型。

9-1 背景知識介紹之決策樹
9-2 梯度提升樹的數學原理與構建流程
9-3 xgboost數學原理介紹
9-4 gbdt與LR混合模型網路介紹
9-5 程式碼訓練gbdt模型
9-6 gbdt模型最優引數選擇
9-7 程式碼訓練gbdt與LR混合模型
9-8 模型在測試資料集表現 上
9-9 模型在測試資料集表現 下
第10章 基於深度學習的排序模型wide and deep
本章節重點介紹一種基於深度學習的排序模型wide and deep。從wide and deep的網路結構與數學原理進行介紹。最後結合公開資料集。程式碼實戰wd模型。

10-1 背景知識介紹之什麼是深度學習
10-2 DNN網路結構與反向傳播演算法
10-3 wide and deep網路結構與數學原理介紹
10-4 .程式碼實戰wd模型之wide側與deep側特徵構建
10-5 程式碼實戰wd模型之模型物件的構建
10-6 wd模型的訓練與模型在測試資料集上的表現
第11章 排序模型總結與回顧
本章節重點總結前面幾章節所講述的排序模型。並介紹如何線上與離線評估排序模型的表現。

11-1 學習排序部分總結與回顧
第12章 本課程回顧與總結
本章節重點回顧本課程所講述的所有內容。從個性化推薦演算法離線架構與線上架構兩個大方面一起總結回顧課程的點滴。

12-1 個性化推薦演算法實戰課程總結與回顧
 

下載地址：百度網盤