深度学习推荐系统实战-含特征工程篇、线上服务篇等_831.71MB
47872文件名称: 深度学习推荐系统实战-含特征工程篇、线上服务篇等827_共:831.71MB
文件总数量: 131条
压缩文件数量: 0条
压缩文件比: 0%
疑似加密文件: 0条(需要授权播放的文件)
文件创建时间:2023-06-07 13:01:23
目录:【04-特征工程篇(6讲)】
08|Embedding实战:如何使用Spark生成Item2vec和GraphEmbedding?.pdf
06|Embedding:所有人都在谈的Embedding技术到底是什么?.html
05|特征处理:如何利用Spark解决特征处理问题?.m4a
答疑丨基础架构篇+特征工程篇常见问题解答.m4a
04|特征工程:推荐系统有哪些可供利用的特征?.m4a
04|特征工程:推荐系统有哪些可供利用的特征?.pdf
06|Embedding:所有人都在谈的Embedding技术到底是什么?.pdf
答疑丨基础架构篇+特征工程篇常见问题解答.html
08|Embedding实战:如何使用Spark生成Item2vec和GraphEmbedding?.html
05|特征处理:如何利用Spark解决特征处理问题?.pdf
06|Embedding:所有人都在谈的Embedding技术到底是什么?.m4a
07|Embedding进阶:如何利用图结构数据生成GraphEmbedding?.m4a
07|Embedding进阶:如何利用图结构数据生成GraphEmbedding?.pdf
05|特征处理:如何利用Spark解决特征处理问题?.html
04|特征工程:推荐系统有哪些可供利用的特征?.html
08|Embedding实战:如何使用Spark生成Item2vec和GraphEmbedding?.m4a
07|Embedding进阶:如何利用图结构数据生成GraphEmbedding?.html
答疑丨基础架构篇+特征工程篇常见问题解答.pdf
目录:【08-前沿拓展篇(6讲)】
32丨强化学习案例:美团是如何在推荐系统中落地强化学习的?.pdf
29丨图神经网络:Pinterest是如何应用图神经网络的?.m4a
32丨强化学习案例:美团是如何在推荐系统中落地强化学习的?.html
28丨业界经典:油管深度学习推荐系统的经典架构长什么样?.html
30丨流处理平台:Flink是如何快速识别用户兴趣,实现实时推荐的?.m4a
30丨流处理平台:Flink是如何快速识别用户兴趣,实现实时推荐的?.html
30丨流处理平台:Flink是如何快速识别用户兴趣,实现实时推荐的?.pdf
33丨技术权衡:解决方案这么多,哪个最合适?.m4a
28丨业界经典:油管深度学习推荐系统的经典架构长什么样?.m4a
32丨强化学习案例:美团是如何在推荐系统中落地强化学习的?.m4a
28丨业界经典:油管深度学习推荐系统的经典架构长什么样?.pdf
29丨图神经网络:Pinterest是如何应用图神经网络的?.html
29丨图神经网络:Pinterest是如何应用图神经网络的?.pdf
33丨技术权衡:解决方案这么多,哪个最合适?.pdf
31丨模型迭代:阿里巴巴是如何迭代更新推荐模型的?.html
31丨模型迭代:阿里巴巴是如何迭代更新推荐模型的?.pdf
33丨技术权衡:解决方案这么多,哪个最合适?.html
31丨模型迭代:阿里巴巴是如何迭代更新推荐模型的?.m4a
目录:【03-国庆策划(2讲)】
国庆策划丨深度学习推荐系统基础,你掌握了多少?.html
国庆策划丨关于深度学习推荐系统,我有这些资料想推荐给你.html
国庆策划丨关于深度学习推荐系统,我有这些资料想推荐给你.m4a
国庆策划丨关于深度学习推荐系统,我有这些资料想推荐给你.pdf
国庆策划丨深度学习推荐系统基础,你掌握了多少?.m4a
国庆策划丨深度学习推荐系统基础,你掌握了多少?.pdf
目录:【05-线上服务篇(7讲)】
13丨模型服务:怎样把你的离线模型部署到线上?.m4a
10|存储模块:如何用Redis解决推荐系统特征的存储问题?.html
14丨融会贯通:SparrowRecSys中的电影相似推荐功能是如何实现的?.m4a
11|召回层:如何快速又准确地筛选掉不相关物品?.pdf
答疑丨线上服务篇留言问题详解.m4a
答疑丨线上服务篇留言问题详解.pdf
09|线上服务:如何在线上提供高并发的推荐服务?.pdf
11|召回层:如何快速又准确地筛选掉不相关物品?.m4a
13丨模型服务:怎样把你的离线模型部署到线上?.pdf
10|存储模块:如何用Redis解决推荐系统特征的存储问题?.pdf
答疑丨线上服务篇留言问题详解.html
09|线上服务:如何在线上提供高并发的推荐服务?.html
09|线上服务:如何在线上提供高并发的推荐服务?.m4a
12丨局部敏感哈希:如何在常数时间内搜索Embedding最近邻?.m4a
10|存储模块:如何用Redis解决推荐系统特征的存储问题?.m4a
12丨局部敏感哈希:如何在常数时间内搜索Embedding最近邻?.html
12丨局部敏感哈希:如何在常数时间内搜索Embedding最近邻?.pdf
14丨融会贯通:SparrowRecSys中的电影相似推荐功能是如何实现的?.html
14丨融会贯通:SparrowRecSys中的电影相似推荐功能是如何实现的?.pdf
13丨模型服务:怎样把你的离线模型部署到线上?.html
11|召回层:如何快速又准确地筛选掉不相关物品?.html
目录:【01-开篇词(1讲)】
开篇词|从0开始搭建一个深度学习推荐系统.pdf
开篇词|从0开始搭建一个深度学习推荐系统.m4a
开篇词|从0开始搭建一个深度学习推荐系统.html
目录:【09-结束语(2讲)】
34丨结束语丨深度学习时代需要什么样的推荐工程师?.m4a
35丨期末考试丨“深度学习推荐系统”100分试卷等你来挑战!.pdf
35丨期末考试丨“深度学习推荐系统”100分试卷等你来挑战!.html
34丨结束语丨深度学习时代需要什么样的推荐工程师?.pdf
34丨结束语丨深度学习时代需要什么样的推荐工程师?.html
目录:【07-模型评估篇(5讲)】
24丨离线评估:常用的推荐系统离线评估方法有哪些?.pdf
27丨评估体系:如何解决AB测试资源紧张的窘境?.html
24丨离线评估:常用的推荐系统离线评估方法有哪些?.m4a
25丨评估指标:我们可以用哪些指标来衡量模型的好坏?.pdf
27丨评估体系:如何解决AB测试资源紧张的窘境?.m4a
26丨在线测试:如何在推荐服务器内部实现AB测试?.html
特别加餐丨TensorFlow的模型离线评估实践怎么做?.pdf
24丨离线评估:常用的推荐系统离线评估方法有哪些?.html
25丨评估指标:我们可以用哪些指标来衡量模型的好坏?.m4a
25丨评估指标:我们可以用哪些指标来衡量模型的好坏?.html
特别加餐丨TensorFlow的模型离线评估实践怎么做?.html
特别加餐丨TensorFlow的模型离线评估实践怎么做?.m4a
26丨在线测试:如何在推荐服务器内部实现AB测试?.pdf
26丨在线测试:如何在推荐服务器内部实现AB测试?.m4a
27丨评估体系:如何解决AB测试资源紧张的窘境?.pdf
目录:【02-基础架构篇(3讲)】
01|深度学习推荐系统的经典技术架构长啥样?.m4a
03|深度学习基础:你打牢深度学习知识的地基了吗?.html
02|SparrowRecSys:我们要实现什么样的推荐系统?.m4a
03|深度学习基础:你打牢深度学习知识的地基了吗?.pdf
01|深度学习推荐系统的经典技术架构长啥样?.pdf
02|SparrowRecSys:我们要实现什么样的推荐系统?.html
02|SparrowRecSys:我们要实现什么样的推荐系统?.pdf
01|深度学习推荐系统的经典技术架构长啥样?.html
03|深度学习基础:你打牢深度学习知识的地基了吗?.m4a
目录:【06-推荐模型篇(12讲)】
模型实战准备(二)_模型特征、训练样本的处理.html
模型实战准备(二)丨模型特征、训练样本的处理.m4a
18丨Wide&Deep:怎样让你的模型既有想象力又有记忆力?.m4a
特别加餐_“银弹”不可靠,最优的模型结构该怎么找?.html
21|注意力机制、兴趣演化:推荐系统如何抓住用户的心?.pdf
23|实战:如何用深度学习模型实现SparrowRecSys的个X化推荐功能?.pdf
18|Wide&Deep:怎样让你的模型既有想象力又有记忆力?.pdf
21丨注意力机制、兴趣演化:推荐系统如何抓住用户的心?.m4a
20_DeepFM:如何让你的模型更好地处理特征交叉?.html
23丨实战:如何用深度学习模型实现SparrowRecSys的个X化推荐功能?.m4a
22|强化学习:让推荐系统像智能机器人一样自主学习.pdf
15丨协同过滤:最经典的推荐模型,我们应该掌握什么?.html
特别加餐丨“银弹”不可靠,最优的模型结构该怎么找?.m4a
19|NeuralCF:如何用深度学习改造协同过滤?.html
18|Wide&Deep:怎样让你的模型既有想象力又有记忆力?.html
22丨强化学习:让推荐系统像智能机器人一样自主学习.m4a
15丨协同过滤:最经典的推荐模型,我们应该掌握什么?.pdf
21|注意力机制、兴趣演化:推荐系统如何抓住用户的心?.html
19|NeuralCF:如何用深度学习改造协同过滤?.pdf
17_Embedding+MLP:如何用TensorFlow实现经典的深度学习模型?.pdf
20丨DeepFM:如何让你的模型更好地处理特征交叉?.m4a
模型实战准备(一)丨TensorFlow入门和环境配置.pdf
17丨Embedding+MLP:如何用TensorFlow实现经典的深度学习模型?.m4a
特别加餐_“银弹”不可靠,最优的模型结构该怎么找?.pdf
16丨深度学习g命:深度学习推荐模型发展的整体脉络是怎样的?.pdf
19丨NeuralCF:如何用深度学习改造协同过滤?.m4a
20_DeepFM:如何让你的模型更好地处理特征交叉?.pdf
23|实战:如何用深度学习模型实现SparrowRecSys的个X化推荐功能?.html
17_Embedding+MLP:如何用TensorFlow实现经典的深度学习模型?.html
模型实战准备(一)丨TensorFlow入门和环境配置.m4a
模型实战准备(二)_模型特征、训练样本的处理.pdf
16丨深度学习g命:深度学习推荐模型发展的整体脉络是怎样的?.html
15丨协同过滤:最经典的推荐模型,我们应该掌握什么?.m4a
模型实战准备(一)丨TensorFlow入门和环境配置.html
16丨深度学习g命:深度学习推荐模型发展的整体脉络是怎样的?.m4a
22|强化学习:让推荐系统像智能机器人一样自主学习.html
页:
[1]