1、培訓(xùn)過(guò)程中，如有部分內(nèi)容理解不透或消化不好，可免費(fèi)在以后培訓(xùn)班中重聽(tīng)；
       2、免費(fèi)提供課后技術(shù)支持，保障培訓(xùn)效果。
       3、培訓(xùn)合格學(xué)員可享受免費(fèi)推薦就業(yè)機(jī)會(huì)?！詈细駥W(xué)員免費(fèi)頒發(fā)相關(guān)工程師等資格證書(shū)，提升職業(yè)資質(zhì)。專(zhuān)注高端技術(shù)培訓(xùn)15年，端海學(xué)員的能力得到大家的認(rèn)同，受到用人單位的廣泛贊譽(yù)，端海的證書(shū)受到廣泛認(rèn)可。

• 第1章 個(gè)性化推薦算法綜述
  個(gè)性化推薦算法綜述部分，主要介紹個(gè)性化推薦算法綜述，本課程內(nèi)容大綱以及本課程所需要準(zhǔn)備的編程環(huán)境與基礎(chǔ)知識(shí)。
• 1-1 個(gè)性化推薦算法課程導(dǎo)學(xué) 試看
  1-2 個(gè)性化推薦算法綜述 試看
  1-3 個(gè)性化召回算法綜述 試看
  第2章 基于鄰域的個(gè)性化召回算法LFM
  本章節(jié)重點(diǎn)介紹一種基于鄰域的個(gè)性化召回算法，LFM。從LFM算法的理論知識(shí)與數(shù)學(xué)原理進(jìn)行介紹。并結(jié)合公開(kāi)數(shù)據(jù)集，代碼實(shí)戰(zhàn)LFM算法。
• 2-1 LFM算法綜述
  2-2 LFM算法的理論基礎(chǔ)與公式推導(dǎo)
  2-3 基礎(chǔ)工具函數(shù)的代碼書(shū)寫(xiě)
  2-4 LFM算法訓(xùn)練數(shù)據(jù)抽取
  2-5 LFM模型訓(xùn)練
  2-6 基于LFM的用戶(hù)個(gè)性化推薦與推薦結(jié)果分析
  第3章 基于圖的個(gè)性化推薦召回算法personal rank
  本章節(jié)重點(diǎn)介紹一種基于圖的個(gè)性化推薦召回算法personal rank。從personal rank算法的理論知識(shí)與數(shù)學(xué)原理進(jìn)行介紹。并結(jié)合公開(kāi)數(shù)據(jù)集，代碼實(shí)戰(zhàn)personal rank算法的基礎(chǔ)版本與矩陣升級(jí)版本。
• 3-1 personal rank算法的背景與物理意義
  3-2 personal rank 算法的數(shù)學(xué)公式推導(dǎo)
  3-3 代碼構(gòu)建用戶(hù)物品二分圖
  3-4 代碼實(shí)戰(zhàn)personal rank算法的基礎(chǔ)版本
  3-5 代碼實(shí)戰(zhàn)personal rank算法矩陣版本上
  3-6 代碼實(shí)戰(zhàn)personal rank算法的矩陣版本下 -1
  3-7 代碼實(shí)戰(zhàn)personal rank算法的矩陣版本下-2
  第4章 基于深度學(xué)習(xí)的個(gè)性化召回算法item2vec
  本章節(jié)重點(diǎn)介紹一種基于深度學(xué)習(xí)的個(gè)性化召回算法item2vec。從item2vec的背景與物理意義以及算法的主流程進(jìn)行介紹。并對(duì)該算法依賴(lài)的模型word2vec數(shù)學(xué)原理進(jìn)行淺析。最后結(jié)合公開(kāi)數(shù)據(jù)集代碼實(shí)戰(zhàn)item2vec算法。
• 4-1 item2vec算法的背景與物理意義
  4-2 item2vec依賴(lài)模型word2vec之cbow數(shù)學(xué)原理介紹
  4-3 item2vec依賴(lài)模型word2vec之skip gram數(shù)學(xué)原理介紹
  4-4 代碼生成item2vec模型所需訓(xùn)練數(shù)據(jù)
  4-5 word2vec運(yùn)行參數(shù)介紹與item embedding
  4-6 基于item bedding產(chǎn)出物品相似度矩陣與item2vec推薦流程梳理
  第5章 基于內(nèi)容的推薦方法content based
  本章節(jié)重點(diǎn)介紹一種基于內(nèi)容的推薦方法content based。從content based算法的背景與主體流程進(jìn)行介紹。并代碼實(shí)戰(zhàn)content based算法。
• 5-1 content based算法理論知識(shí)介紹
  5-2 content based算法代碼實(shí)戰(zhàn)之工具函數(shù)的書(shū)寫(xiě)
  5-3 用戶(hù)刻畫(huà)與基于內(nèi)容推薦的代碼實(shí)戰(zhàn)。
  第6章 個(gè)性化召回算法總結(jié)與回顧
  本章節(jié)重點(diǎn)總結(jié)前面幾章節(jié)介紹過(guò)的個(gè)性化召回算法。并介紹如何從離線與在線兩個(gè)大方面評(píng)估新增一種個(gè)性化召回算法時(shí)的收益。
• 6-1 個(gè)性化召回算法總結(jié)與評(píng)估方法的介紹。
  第7章 綜述學(xué)習(xí)排序
  綜述學(xué)習(xí)排序的思路，并介紹工業(yè)界排序架構(gòu)以及本課程重點(diǎn)講解的學(xué)習(xí)排序模型。
• 7-1 學(xué)習(xí)排序綜述
  第8章 淺層排序模型邏輯回歸
  本章節(jié)重點(diǎn)介紹一種排序模型，邏輯回歸模型。從邏輯回歸模型的背景知識(shí)與數(shù)學(xué)原理進(jìn)行介紹。并介紹樣本選擇與特征選擇相關(guān)知識(shí)。最后結(jié)合公開(kāi)數(shù)據(jù)集。代碼實(shí)戰(zhàn)訓(xùn)練可用的邏輯回歸模型。
• 8-1 邏輯回歸模型的背景知識(shí)介紹
  8-2 邏輯回歸模型的數(shù)學(xué)原理
  8-3 樣本選擇與特征選擇相關(guān)知識(shí)
  8-4 代碼實(shí)戰(zhàn)LR之樣本選擇
  8-5 代碼實(shí)戰(zhàn)LR之離散特征處理
  8-6 代碼實(shí)戰(zhàn)LR之連續(xù)特征處理
  8-7 LR模型的訓(xùn)練
  8-8 LR模型在測(cè)試數(shù)據(jù)集上表現(xiàn)-上
  8-9 LR模型在測(cè)試數(shù)據(jù)集上表現(xiàn)-下
  8-10 LR模型訓(xùn)練之組合特征介紹
  第9章 淺層排序模型gbdt
  本章節(jié)重點(diǎn)介紹排序模型gbdt。分別介紹梯度提升樹(shù)以及xgboost的數(shù)學(xué)原理。并介紹gbdt與LR模型的混合模型網(wǎng)絡(luò)。最合結(jié)合公開(kāi)數(shù)據(jù)集，代碼實(shí)戰(zhàn)訓(xùn)練gbdt模型以及gbdt與LR混合模型。
• 9-1 背景知識(shí)介紹之決策樹(shù)
  9-2 梯度提升樹(shù)的數(shù)學(xué)原理與構(gòu)建流程
  9-3 xgboost數(shù)學(xué)原理介紹
  9-4 gbdt與LR混合模型網(wǎng)絡(luò)介紹
  9-5 代碼訓(xùn)練gbdt模型
  9-6 gbdt模型最優(yōu)參數(shù)選擇
  9-7 代碼訓(xùn)練gbdt與LR混合模型
  9-8 模型在測(cè)試數(shù)據(jù)集表現(xiàn) 上
  9-9 模型在測(cè)試數(shù)據(jù)集表現(xiàn) 下
  第10章 基于深度學(xué)習(xí)的排序模型wide and deep
  本章節(jié)重點(diǎn)介紹一種基于深度學(xué)習(xí)的排序模型wide and deep。從wide and deep的網(wǎng)絡(luò)結(jié)構(gòu)與數(shù)學(xué)原理進(jìn)行介紹。最后結(jié)合公開(kāi)數(shù)據(jù)集。代碼實(shí)戰(zhàn)wd模型。
• 10-1 背景知識(shí)介紹之什么是深度學(xué)習(xí)
  10-2 DNN網(wǎng)絡(luò)結(jié)構(gòu)與反向傳播算法
  10-3 wide and deep網(wǎng)絡(luò)結(jié)構(gòu)與數(shù)學(xué)原理介紹
  10-4 .代碼實(shí)戰(zhàn)wd模型之wide側(cè)與deep側(cè)特征構(gòu)建
  10-5 代碼實(shí)戰(zhàn)wd模型之模型對(duì)象的構(gòu)建
  10-6 wd模型的訓(xùn)練與模型在測(cè)試數(shù)據(jù)集上的表現(xiàn)
  第11章 排序模型總結(jié)與回顧
  本章節(jié)重點(diǎn)總結(jié)前面幾章節(jié)所講述的排序模型。并介紹如何在線與離線評(píng)估排序模型的表現(xiàn)。