个性化推荐算法实战（可用于毕设）

个性化推荐算法实战（可用于毕设）资源概述:

课程主要讲推荐算法怎么在实际项目里落地。不是光讲理论，而是从数学原理讲到代码怎么写，让你能真把算法跑起来。推荐算法现在是各大厂的热门岗位，社招起步20k+，这门课的目标就是帮你建立起自己的推荐算法体系。

课程内容分两大块：

召回算法：

讲怎么从海量物品里先把候选集挑出来。包括协同过滤、基于图的算法、基于内容的、item2vec这些。每个算法都会讲背景知识、物理意义、数学原理，然后手写代码实现。

排序算法：

讲怎么给挑出来的物品排顺序。包括LR、GBDT、DNN这些Learning to Rank的算法。同样是从模型结构、数学原理讲到代码实现和效果调优。
整个课程会让你对工业界的推荐算法体系有个整体的认识，知道各种经典算法怎么用，模型细节怎么调。用的是Python生态那一套工具：Numpy、Pandas做数据处理，Sklearn和Xgboost做机器学习，Tensorflow做深度学习，都是大厂机器学习环境常用的东西。

适合人群:

学这门课需要你懂点数据结构（数组、哈希、树、二分图这些），懂点数学（导数、链导法则、矩阵、稀疏矩阵），还得熟悉Python语法。适合什么人呢？在校生拿来做毕设，或者对推荐算法感兴趣想入行的，还有工作中已经接触推荐想系统提升的。

目录结构:

第1章 个性化推荐算法综述

1-1 个性化推荐算法综述

1-2 个性化召回算法综述

第2章 基于邻域的个性化召回算法LFM

2-1 LFM算法综述

2-2 LFM算法的理论基础与公式推导

2-3 基础工具函数的代码书写

2-4 LFM算法训练数据抽取

2-5 LFM模型训练

2-6 基于LFM的用户个性化推荐与推荐结果分析

第3章 基于图的个性化推荐召回算法personal rank

3-1 personal rank算法的背景与物理意义

3-2 personal rank 算法的数学公式推导

3-3 代码构建用户物品二分图

3-4 代码实战personal rank算法的基础版本

3-5 代码实战personal rank算法矩阵版本

第4章 基于深度学习的个性化召回算法item2vec

4-1 item2vec算法的背景与物理意义

4-2 item2vec依赖模型word2vec之cbow数学原理介绍

4-3 item2vec依赖模型word2vec之skip gram数学原理介绍

4-4 代码生成item2vec模型所需训练数据

4-5 word2vec运行参数介绍与item embedding

4-6 基于item bedding产出物品相似度矩阵与item2vec推荐流程梳理

第5章 基于内容的推荐方法content based

5-1 content based算法理论知识介绍

5-2 content based算法代码实战之工具函数的书写

5-3 用户刻画与基于内容推荐的代码实战。

第6章 个性化召回算法总结与回顾

6-1 个性化召回算法总结与评估方法的介绍。

第7章 综述学习排序

7-1 学习排序综述

第8章 浅层排序模型逻辑回归

8-1 逻辑回归模型的背景知识介绍

8-2 逻辑回归模型的数学原理

8-3 样本选择与特征选择相关知识

8-4 代码实战LR之样本选择

8-5 代码实战LR之离散特征处理

8-6 代码实战LR之连续特征处理

8-7 LR模型的训练

8-8 LR模型在测试数据集上表现

8-9 LR模型训练之组合特征介绍

第9章 浅层排序模型gbdt

9-1 背景知识介绍之决策树

9-2 梯度提升树的数学原理与构建流程

9-3 xgboost数学原理介绍

9-4 gbdt与LR混合模型网络介绍

9-5 代码训练gbdt模型

9-6 gbdt模型最优参数选择

9-7 代码训练gbdt与LR混合模型

9-8 模型在测试数据集表现