對課程有意向的同學
添加課程顧問小姐姐微信
報名、課程諮詢
👇👇👇
邏輯迴歸模型
梯度下降法
神經網絡模型
過擬合與正則
常用的評價指標
常用的優化算法
向量、矩陣基礎
推薦系統概述、架構設計
推薦系統後臺數據流設計
常用的技術棧
推薦系統中的評價指標
簡單的用戶協同
環境搭建
內容畫像的搭建基礎
關鍵詞提取技術tf-idf, textRank
LSTM與注意力機制
Attention的幾種常用方式
Self-Attention
Multi-head Attention
雙線性Attention
NLP工具的使用
MySQL數據庫的搭建與內容畫像存儲
用戶畫像與內容畫像的關係
用戶畫像的架構
用戶畫像的擴展
用戶畫像與排序特徵
用途:基於標籤的用戶畫像
標籤權重的計算方法(貝葉斯平滑、時間衰減)
基於用戶畫像的召回方法
Redis的搭建與使用
基於Redis的用戶畫像存儲
Hadoop, Hive, Spark等工具使用
MF召回法以及求解
特徵值分解
傳統奇異值分解之SVM
FunkSVD
ALS方法
SVD++
基於物品的協同Item-CF
MF召回法以及求解
理解Embedding技術
Embedding爲什麼有效
Embedding與稀疏ID類特徵的關係
Item-CF召回與Item2Vec
Airbnb序列召回與冷啓動緩解思路
NCF召回以及變種
YouTube召回方法
從DSSM到雙塔模型
雙塔模型工業界的部署方法
多興趣召回
MIND召回
Faiss工具介紹
KD樹,LSH,Simhash
MIND召回
隨機遊走於傳統協同方法
Deepwalk
Node2Vec及其同質性與結構性
LINE
隨機遊走的實現
Alias採樣方法
Neo4j講解
Graph Embedding的實現
Node2Vec的實現
MIND召回
Graph Embedding優化
EGS,注意力機制及其變種
Ripple網絡方法
召回層採樣的坑與技巧
熱度抑制
EGES的實現
GCN和GAT
GraphSage
MIND召回
Ranking與用戶畫像
物品畫像
LR模型
GBDT+ LR
FM模型詳解、業界使用方法與坑
FFM模型
AUC與GAUC
增量學習與Online Learning
從L1稀疏化、FOBOS到FTRL算法
基於FM實現Ranking精排序
粗排與精排及其意義
主流深度推薦模型的集中範式
特徵自動組合:Deep&Cross, XDeepFM, PNN
特徵重要度提取以及無用特徵去噪:AFM, DeepFFM
序列推薦模型:DIN,DIEN, AttRes,Stamp
獨闢蹊徑之序列推薦的優化思路
深度模型工具的介紹與使用
MLSQL
DeepCTR等與工業界採樣方法
多目標學習的幾種範式
範式一:樣本加權
範式二:多模型融合
範式三:聯合訓練、ESMM,MMOE框架,ESM2等
ESMM的實現
人羣分桶
實時交互正反饋
實時召回與實時畫像技術
人羣投票
人羣等級投票
降維分發
後驗與先驗的結合
引入注意力機制的優化興趣增加和衰減
熱點文章召回策略
本地文章召回策略
算法策略與運營配合協作
強化學習概念、以及在推薦系統中的對應
DP算法本質思想
馬爾科夫決策
蒙特卡洛搜索所樹(MCTS)
UCB及其在推薦系統中的應用
湯普森採樣法
Q-Learning、DRN、策略梯度
強化學習在推薦場景中的應用
工業界項目的部署
推薦系統崗位的面試要點
大廠的面試攻略
如何準備簡歷、包裝自己
職業規劃
理工科相關專業的本科/碩士/博士生,畢業後想從事AI工作的人
今後想從事推薦系統相關工作的人
希望能夠深入AI領域,爲科研或者出國做準備
希望系統性學習推薦相關的技術
目前從事IT相關的工作,今後想做跟推薦相關的項目
目前從事AI相關的工作,希望與時俱進,加深對技術的理解
希望能夠及時掌握前沿技術
本文分享自微信公衆號 - AI算法與圖像處理(AI_study)。
如有侵權,請聯繫 [email protected] 刪除。
本文參與“OSC源創計劃”,歡迎正在閱讀的你也加入,一起分享。