1、培訓(xùn)過程中，如有部分內(nèi)容理解不透或消化不好，可免費(fèi)在以后培訓(xùn)班中重聽；
       2、培訓(xùn)結(jié)束后,授課老師留給學(xué)員聯(lián)系方式,保障培訓(xùn)效果,免費(fèi)提供課后技術(shù)支持。
       3、培訓(xùn)合格學(xué)員可享受免費(fèi)推薦就業(yè)機(jī)會。☆合格學(xué)員免費(fèi)頒發(fā)相關(guān)工程師等資格證書，提升職業(yè)資質(zhì)。專注高端技術(shù)培訓(xùn)15年，端海學(xué)員的能力得到大家的認(rèn)同，受到用人單位的廣泛贊譽(yù)，端海的證書受到廣泛認(rèn)可。

• 第1章 個性化推薦算法綜述
  個性化推薦算法綜述部分，主要介紹個性化推薦算法綜述，本課程內(nèi)容大綱以及本課程所需要準(zhǔn)備的編程環(huán)境與基礎(chǔ)知識。
• 1-1 個性化推薦算法課程導(dǎo)學(xué) 試看
  1-2 個性化推薦算法綜述 試看
  1-3 個性化召回算法綜述 試看
  第2章 基于鄰域的個性化召回算法LFM
  本章節(jié)重點(diǎn)介紹一種基于鄰域的個性化召回算法，LFM。從LFM算法的理論知識與數(shù)學(xué)原理進(jìn)行介紹。并結(jié)合公開數(shù)據(jù)集，代碼實(shí)戰(zhàn)LFM算法。
• 2-1 LFM算法綜述
  2-2 LFM算法的理論基礎(chǔ)與公式推導(dǎo)
  2-3 基礎(chǔ)工具函數(shù)的代碼書寫
  2-4 LFM算法訓(xùn)練數(shù)據(jù)抽取
  2-5 LFM模型訓(xùn)練
  2-6 基于LFM的用戶個性化推薦與推薦結(jié)果分析
  第3章 基于圖的個性化推薦召回算法personal rank
  本章節(jié)重點(diǎn)介紹一種基于圖的個性化推薦召回算法personal rank。從personal rank算法的理論知識與數(shù)學(xué)原理進(jìn)行介紹。并結(jié)合公開數(shù)據(jù)集，代碼實(shí)戰(zhàn)personal rank算法的基礎(chǔ)版本與矩陣升級版本。
• 3-1 personal rank算法的背景與物理意義
  3-2 personal rank 算法的數(shù)學(xué)公式推導(dǎo)
  3-3 代碼構(gòu)建用戶物品二分圖
  3-4 代碼實(shí)戰(zhàn)personal rank算法的基礎(chǔ)版本
  3-5 代碼實(shí)戰(zhàn)personal rank算法矩陣版本上
  3-6 代碼實(shí)戰(zhàn)personal rank算法的矩陣版本下 -1
  3-7 代碼實(shí)戰(zhàn)personal rank算法的矩陣版本下-2
  第4章 基于深度學(xué)習(xí)的個性化召回算法item2vec
  本章節(jié)重點(diǎn)介紹一種基于深度學(xué)習(xí)的個性化召回算法item2vec。從item2vec的背景與物理意義以及算法的主流程進(jìn)行介紹。并對該算法依賴的模型word2vec數(shù)學(xué)原理進(jìn)行淺析。最后結(jié)合公開數(shù)據(jù)集代碼實(shí)戰(zhàn)item2vec算法。
• 4-1 item2vec算法的背景與物理意義
  4-2 item2vec依賴模型word2vec之cbow數(shù)學(xué)原理介紹
  4-3 item2vec依賴模型word2vec之skip gram數(shù)學(xué)原理介紹
  4-4 代碼生成item2vec模型所需訓(xùn)練數(shù)據(jù)
  4-5 word2vec運(yùn)行參數(shù)介紹與item embedding
  4-6 基于item bedding產(chǎn)出物品相似度矩陣與item2vec推薦流程梳理
  第5章 基于內(nèi)容的推薦方法content based
  本章節(jié)重點(diǎn)介紹一種基于內(nèi)容的推薦方法content based。從content based算法的背景與主體流程進(jìn)行介紹。并代碼實(shí)戰(zhàn)content based算法。
• 5-1 content based算法理論知識介紹
  5-2 content based算法代碼實(shí)戰(zhàn)之工具函數(shù)的書寫
  5-3 用戶刻畫與基于內(nèi)容推薦的代碼實(shí)戰(zhàn)。
  第6章 個性化召回算法總結(jié)與回顧
  本章節(jié)重點(diǎn)總結(jié)前面幾章節(jié)介紹過的個性化召回算法。并介紹如何從離線與在線兩個大方面評估新增一種個性化召回算法時的收益。
• 6-1 個性化召回算法總結(jié)與評估方法的介紹。
  第7章 綜述學(xué)習(xí)排序
  綜述學(xué)習(xí)排序的思路，并介紹工業(yè)界排序架構(gòu)以及本課程重點(diǎn)講解的學(xué)習(xí)排序模型。
• 7-1 學(xué)習(xí)排序綜述
  第8章 淺層排序模型邏輯回歸
  本章節(jié)重點(diǎn)介紹一種排序模型，邏輯回歸模型。從邏輯回歸模型的背景知識與數(shù)學(xué)原理進(jìn)行介紹。并介紹樣本選擇與特征選擇相關(guān)知識。最后結(jié)合公開數(shù)據(jù)集。代碼實(shí)戰(zhàn)訓(xùn)練可用的邏輯回歸模型。
• 8-1 邏輯回歸模型的背景知識介紹
  8-2 邏輯回歸模型的數(shù)學(xué)原理
  8-3 樣本選擇與特征選擇相關(guān)知識
  8-4 代碼實(shí)戰(zhàn)LR之樣本選擇
  8-5 代碼實(shí)戰(zhàn)LR之離散特征處理
  8-6 代碼實(shí)戰(zhàn)LR之連續(xù)特征處理
  8-7 LR模型的訓(xùn)練
  8-8 LR模型在測試數(shù)據(jù)集上表現(xiàn)-上
  8-9 LR模型在測試數(shù)據(jù)集上表現(xiàn)-下
  8-10 LR模型訓(xùn)練之組合特征介紹
  第9章 淺層排序模型gbdt
  本章節(jié)重點(diǎn)介紹排序模型gbdt。分別介紹梯度提升樹以及xgboost的數(shù)學(xué)原理。并介紹gbdt與LR模型的混合模型網(wǎng)絡(luò)。最合結(jié)合公開數(shù)據(jù)集，代碼實(shí)戰(zhàn)訓(xùn)練gbdt模型以及gbdt與LR混合模型。
• 9-1 背景知識介紹之決策樹
  9-2 梯度提升樹的數(shù)學(xué)原理與構(gòu)建流程
  9-3 xgboost數(shù)學(xué)原理介紹
  9-4 gbdt與LR混合模型網(wǎng)絡(luò)介紹
  9-5 代碼訓(xùn)練gbdt模型
  9-6 gbdt模型最優(yōu)參數(shù)選擇
  9-7 代碼訓(xùn)練gbdt與LR混合模型
  9-8 模型在測試數(shù)據(jù)集表現(xiàn) 上
  9-9 模型在測試數(shù)據(jù)集表現(xiàn) 下
  第10章 基于深度學(xué)習(xí)的排序模型wide and deep
  本章節(jié)重點(diǎn)介紹一種基于深度學(xué)習(xí)的排序模型wide and deep。從wide and deep的網(wǎng)絡(luò)結(jié)構(gòu)與數(shù)學(xué)原理進(jìn)行介紹。最后結(jié)合公開數(shù)據(jù)集。代碼實(shí)戰(zhàn)wd模型。
• 10-1 背景知識介紹之什么是深度學(xué)習(xí)
  10-2 DNN網(wǎng)絡(luò)結(jié)構(gòu)與反向傳播算法
  10-3 wide and deep網(wǎng)絡(luò)結(jié)構(gòu)與數(shù)學(xué)原理介紹
  10-4 .代碼實(shí)戰(zhàn)wd模型之wide側(cè)與deep側(cè)特征構(gòu)建
  10-5 代碼實(shí)戰(zhàn)wd模型之模型對象的構(gòu)建
  10-6 wd模型的訓(xùn)練與模型在測試數(shù)據(jù)集上的表現(xiàn)
  第11章 排序模型總結(jié)與回顧
  本章節(jié)重點(diǎn)總結(jié)前面幾章節(jié)所講述的排序模型。并介紹如何在線與離線評估排序模型的表現(xiàn)。