极客时间-专栏课-黄鸿波-手把手带你搭建推荐系统（完结）

发布时间：2024-12-10

发布者：

竹影侠

文件大小：共计324个文件，合计:578.28 MB

资源金币：4.99 金币

资源来源：夸克网盘

资源状态：【实时检测】链接有效

本站会员，可以免费下载全站所有资源

资源介绍

《极客时间-专栏课-黄鸿波-手把手带你搭建推荐系统（完结）》是一套完整的推荐系统构建教程，由黄鸿波老师亲自授课。课程内容涵盖了从数据获取、加工、存储到推荐算法的设计、实现和部署的全过程。通过这套课程，你将学习到如何使用Fak搭建推荐服务，理解协同过滤、YuTubDNN等召回算法，掌握Emb技术深入挖掘用户特征，并学会在Lu上部署推荐系统服务。课程还包括了数据处理、用户画像、推荐系统前端设计等多个关键环节，助你全面掌握推荐系统的搭建与优化。

资源目录结构(只展示部分的文件和文件夹，以下文件快照生成于2024-12-10)

资源投诉

极客时间-专栏课-黄鸿波-手把手带你搭建推荐系统（完结）453.67 MB

images

65633

66527

662204

656948

665983

663444

67263

66858

64843

64744

647865

647453

6642

664686

649902

6536

659243

650545

66455

659903

666599

657332

655495

67486

660625

4｜基于Flask的推荐服务：搭建基础的Flask服务.mp312.31 MB

2｜基于热度的召回：如何使用热门内容来吸引用户？.mp310.09 MB

3｜基于关键词的召回：如何使用关键词吸引用户？.mp314.58 MB

5｜基于Flask的推荐服务：如何把召回集推荐出去？.mp314.27 MB

6｜基础用户画像：如何用好用户的注册信息？.mp315.76 MB

7｜推荐系统前端：如何用一个界面展示我们的成果？.mp311.83 MB

｜基于规则的召回：如何使用规则找到用户的兴趣点？.mp38.21 MB

08｜数据：如何使用Scrapy框架爬取新闻数据？.mp314.20 MB

0｜数据加工：如何将原始数据做成内容画像？.mp315.03 MB

09｜数据存储：如何将爬取到的数据存入数据库中？.mp311.64 MB

26｜重排序：如何对排序后的内容进行微调？.mp313.27 MB

27｜部署：如何在Linux上配合定时任务部署推荐系统服务？.mp310.46 MB

25｜DeepFM：如何使用深度学习技术给数据排序？.mp313.32 MB

29｜推荐系统的工程化策略及服务部署策略.mp311.98 MB

特别放送｜知识回顾（上）.mp32.88 MB

28｜珠联璧合：Kafka与推荐服务的联动.mp316.71 MB

23｜流程串联：数据处理和协同过滤串联进行内容推荐.mp312.30 MB

8｜一个简单的推荐服务闭环包括哪些模块？.mp310.98 MB

9｜协同过滤：召回算法中永远不落幕的经典.mp317.16 MB

20｜Embedding：深入挖掘用户底层特征.mp315.10 MB

22｜YouTubeDNN：召回算法的后起之秀（下）.mp39.45 MB

24｜GBDT+LR：排序算法经典中的经典.mp313.61 MB

2｜YouTubeDNN：召回算法的后起之秀（上）.mp313.03 MB

05｜Redis：如何安装和使用Redis数据库？.mp38.53 MB

06｜网络爬虫：爬取一个网站的流程是怎样的？.mp310.90 MB

07｜数据：什么是Scrapy框架？.mp314.01 MB

04｜MongoDB：如何安装和使用MongoDB数据库？.mp311.13 MB

0｜推荐系统：我们应该怎样学习推荐系统？.mp315.29 MB

03｜数据处理：我们应该如何和处理数据？.mp310.00 MB

02｜Netflix推荐系统：企业级的推荐系统架构是怎样的？.mp313.10 MB

结束语｜如何成为企业中不可或缺的推荐系统工程师？.mp37.05 MB

特别放送｜知识回顾（下）.mp34.85 MB

特别放送｜知识回顾（中）.mp32.77 MB

开篇词｜从企业级项目开始，进阶推荐系统.mp39.81 MB

30｜推荐系统的后处理及日志回采.mp311.92 MB

9｜协同过滤：召回算法中永远不落幕的经典.pdf1.99 MB

22｜YouTubeDNN：召回算法的后起之秀（下）.pdf2.11 MB

23｜流程串联：数据处理和协同过滤串联进行内容推荐.pdf3.03 MB

20｜Embedding：深入挖掘用户底层特征.pdf2.50 MB

8｜一个简单的推荐服务闭环包括哪些模块？.pdf2.36 MB

2｜YouTubeDNN：召回算法的后起之秀（上）.pdf1.95 MB

6｜基础用户画像：如何用好用户的注册信息？.pdf4.13 MB

7｜推荐系统前端：如何用一个界面展示我们的成果？.pdf3.71 MB

3｜基于关键词的召回：如何使用关键词吸引用户？.pdf2.39 MB

5｜基于Flask的推荐服务：如何把召回集推荐出去？.pdf2.86 MB

08｜数据：如何使用Scrapy框架爬取新闻数据？.pdf12.65 MB

4｜基于Flask的推荐服务：搭建基础的Flask服务.pdf2.55 MB

开篇词｜从企业级项目开始，进阶推荐系统.pdf2.31 MB

29｜推荐系统的工程化策略及服务部署策略.pdf1.63 MB

1、本网站数据来自互联网，通过自动抓取公开网页链接构建数据库，系统将基于链接特征选择性收录符合收录标准的内容

2、根据用户输入的关键词，通过智能算法自动匹配并展示相关第三方网页链接。所有搜索结果均为实时动态生成

3、本站不控制、修改第三方网页内容，不对其可用性、准确性负责

4、搜索结果中的广告及推广内容不代表本站推荐或担保

5、所有内容获取/呈现均通过自动化程序完成，无人工干预