您的位置 首页 新闻

【限时】推荐算法工程师培养计划

允中 发自 凹非寺 量子位 编辑 | 公众号 QbitAI 由于近些年深度学习技术的飞速发展,大力加速推动了AI在互联网以及传统各个行业的商业化落地,其中,推荐系统、计算广告等领域彰显的尤为明显。由于推荐系统与提升用户量以及商业化变现有着密不可分的联系,各大公司都放出了众多推荐系统相关职位,且薪水不菲,目前发展势头很猛。

允中 发自 凹非寺

量子位 编辑 | 公众号 QbitAI

由于近些年深度学习技术的飞速发展,大力加速推动了AI在互联网以及传统各个行业的商业化落地,其中,推荐系统、计算广告等领域彰显的尤为明显。由于推荐系统与提升用户量以及商业化变现有着密不可分的联系,各大公司都放出了众多推荐系统相关职位,且薪水不菲,目前发展势头很猛。

但是,这里存在几个问题,很多欲从事推荐系统的同学大多数学习的方式是自学:

CF、FM、DSSM、DeepFM等这些推荐业界明星模型,你真的清楚他们的内部运行原理以及使用场景吗?真的了解FM模型与SVM有什么相似之处吗?FM固然可以用作为打分模型,但它可以用来做matching吗,如果可以,如何做?item2Vec模型在业界是如何缓解冷启动的问题的?双塔模型优势在哪?深度模型到底是如何做matching的,是离线计算好结果还是实时的对网络进行前向计算?DeepFM具体实现时,wide端和deep端的优化方式是一样的吗?基于Graph的推荐方法在业界的应用目前是怎样的?基于上述的目的,贪心学院推出了 《推荐系统工程师培养计划2期》,由一线的推荐系统负责人亲自 全程直播讲解

【限时】推荐算法工程师培养计划

【限时】推荐算法工程师培养计划

展开全文

【限时】推荐算法工程师培养计划

《推荐算法工程师培养计划》

专注于培养行业TOP10%的推荐算法工程师

对课程有意向的同学

报名、课程咨询

👇👇👇

02 课程大纲 第一部分:推荐系统之内容理解与画像构建

Week1:机器学习基础

  • 逻辑回归模型
  • 梯度下降法
  • 神经网络模型
  • 过拟合与正则
  • 常用的评价指标
  • 常用的优化算法
  • 向量、矩阵基础

Week2:推荐系统基础

  • 推荐系统概述、架构设计
  • 推荐系统后台数据流设计
  • 常用的技术栈
  • 推荐系统中的评价指标
  • 简单的用户协同
  • 环境搭建

Week3:内容画像的构建以及NLP技术

  • 内容画像的搭建基础
  • 关键词提取技术tf-idf, textRank
  • LSTM与注意力机制
  • Attention的几种常用方式
  • Self-Attention
  • Multi-head Attention
  • 双线性Attention
  • NLP工具的使用
  • MySQL数据库的搭建与内容画像存储

Week4:用户画像的构建

  • 用户画像与内容画像的关系
  • 用户画像的架构
  • 用户画像的扩展
  • 用户画像与排序特征
  • 用途:基于标签的用户画像
  • 标签权重的计算方法(贝叶斯平滑、时间衰减)
  • 基于用户画像的召回方法
  • Redis的搭建与使用
  • 基于Redis的用户画像存储
  • Hadoop, Hive, Spark等工具使用

Week5:传统Matching方法

  • MF召回法以及求解
  • 特征值分解
  • 传统奇异值分解之SVM
  • FunkSVD
  • ALS方法
  • SVD++
  • 基于物品的协同Item-CF

Week6:深度 Matching方法

  • MF召回法以及求解
  • 理解Embedding技术
  • Embedding为什么有效
  • Embedding与稀疏ID类特征的关系
  • Item-CF召回与Item2Vec
  • Airbnb序列召回与冷启动缓解思路
  • NCF召回以及变种
  • YouTube召回方法
  • 从DSSM到双塔模型
  • 双塔模型工业界的部署方法
  • 多兴趣召回
  • MIND召回
  • Faiss工具介绍
  • KD树,LSH,Simhash

Week7: Graph Embedding与用户行为构建图

  • MIND召回
  • 随机游走于传统协同方法
  • Deepwalk
  • Node2Vec及其同质性与结构性
  • LINE
  • 随机游走的实现
  • Alias采样方法
  • Neo4j讲解
  • Graph Embedding的实现
  • Node2Vec的实现

Week8: 图推荐、图神经网络、采样与热度打压

  • MIND召回
  • Graph Embedding优化
  • EGS,注意力机制及其变种
  • Ripple网络方法
  • 召回层采样的坑与技巧
  • 热度抑制
  • EGES的实现
  • GCN和GAT
  • GraphSage

Week9: 经典Ranking模型方法

  • MIND召回
  • Ranking与用户画像
  • 物品画像
  • LR模型
  • GBDT+ LR
  • FM模型详解、业界使用方法与坑
  • FFM模型
  • AUC与GAUC
  • 增量学习与Online Learning
  • 从L1稀疏化、FOBOS到FTRL算法
  • 基于FM实现Ranking精排序

Week10: 深度Ranking模型与工业采样技巧

  • 粗排与精排及其意义
  • 主流深度推荐模型的集中范式
  • 特征自动组合:Deep&Cross, XDeepFM, PNN
  • 特征重要度提取以及无用特征去噪:AFM, DeepFFM
  • 序列推荐模型:DIN,DIEN, AttRes,Stamp
  • 独辟蹊径之序列推荐的优化思路
  • 深度模型工具的介绍与使用
  • MLSQL
  • DeepCTR等与工业界采样方法

Week11: 重排序与多目标学习

  • 多目标学习的几种范式
  • 范式一:样本加权
  • 范式二:多模型融合
  • 范式三:联合训练、ESMM,MMOE框架,ESM2等
  • ESMM的实现

Week12-13: 工业界新闻推荐系统中冷启动与热点文章实时召回

  • 人群分桶
  • 实时交互正反馈
  • 实时召回与实时画像技术
  • 人群投票
  • 人群等级投票
  • 降维分发
  • 后验与先验的结合
  • 引入注意力机制的优化兴趣增加和衰减
  • 热点文章召回策略
  • 本地文章召回策略
  • 算法策略与运营配合协作

Week14: 强化学习与推荐系统、AutoML与推荐系统

  • 强化学习概念、以及在推荐系统中的对应
  • DP算法本质思想
  • 马尔科夫决策
  • 蒙特卡洛搜索所树(MCTS)
  • UCB及其在推荐系统中的应用
  • 汤普森采样法
  • Q-Learning、DRN、策略梯度
  • 强化学习在推荐场景中的应用

Week15: 项目总结,部署以职业规划

  • 工业界项目的部署
  • 推荐系统岗位的面试要点
  • 大厂的面试攻略
  • 如何准备简历、包装自己
  • 职业规划

【限时】推荐算法工程师培养计划

03 课程适合谁? 大学生

  • 理工科相关专业的本科/硕士/博士生,毕业后想从事AI工作的人
  • 希望能够深入AI领域,为科研或者出国做准备
  • 目前从事IT相关的工作,今后想做跟推荐相关的项目
  • 目前从事AI相关的工作,希望与时俱进,加深对技术的理解
  • 希望能够及时掌握前沿技术

【限时】推荐算法工程师培养计划

04 报名须知

1、本课程为收费教学。

2、本期仅招收剩余名额有限。

3、品质保障!正式开课后7天内,无条件全额退款。

4、学习本课程需要具备一定的机器学习基础。

课程其他的细节可以联系课程顾问来获取

报名、课程咨询

👇👇👇

点这里 👇关注我,记得标星,么么哒~

一键三连「分享」、「点赞」和「在看」

科技前沿进展日日相见~

本文来自网络,不代表聚合资讯立场,转载请注明出处:http://haitao0419.com/25401.html

作者: admin

为您推荐

联系我们

联系我们

13000001211

在线咨询: QQ交谈

邮箱: email@wangzhan.com

关注微信
微信扫一扫关注我们

微信扫一扫关注我们

关注微博
返回顶部