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。
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，逻辑回归为什么用sigmoid函数？有确切的理论推导吗？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？
课程目录
Week 1：机器学习基础
Week 2：推荐系统基础
Week 3：内容画像与用户画像
Week 4：用户画 Week
Week 5：传统match方法
Week 6：深度match方法
Week 7：经典Ranking方法
Week 8： GraphEmbedding 大家族与用户行为构建
Week 9：引入sideinfo信息的图推荐、基于推理的图推荐
Week 10：深度Ranking模型
Week 11：重排序与多目标学习
Week 12：热点文章实时召回
Week 13：多目标与用户多兴趣
Week 14：强化学习与推荐系统
Week 15：项目总结、部署
声明：本站所有文章，如无特殊说明或标注，均为本站原创发布。任何个人或组织，在未征得本站同意时，禁止复制、盗用、采集、发布本站内容到任何网站、书籍等各类媒体平台。如若本站内容侵犯了原著者的合法权益，可联系我们进行处理。
