基于Spark2.x开发企业级个性化推荐系统

第1章 课程介绍与学习指南
1-1 课程介绍及导学 (06:32)
1-2 怎么更好的使用慕课平台
1-3 你真的会问问题吗？
第2章 了解推荐系统的生态
2-1 本章重难点提点
2-2 推荐系统的关键元素和思维模式 (11:49)
2-3 推荐算法的主要分类 (14:07)
2-4 推荐系统常见的问题 (09:05)
2-5 推荐系统效果评测 (17:55)
第3章 给学习算法打基础
3-1 本章重点难点提点
3-2 推荐系统涉及的数学知识 (11:25)
3-3 推荐系统涉及的概率统计知识 (17:58)
第4章 详解协同过滤推荐算法原理
4-1 本章重点难点提点
4-2 本章作业 (04:17)
4-3 协同过滤的数学知识：最小二乘法 (15:01)
4-4 协同过滤的数学知识：梯度下降法 (23:55)
4-5 协同过滤的数学知识：余弦相似度 (14:09)
4-6 什么是user-based的协同过滤 (15:26)
4-7 基于Spark实现user-based协同过滤 (14:12)
4-8 什么是item-based协同过滤 (16:32)
4-9 基于Spark实现item-based协同过滤 (13:03)
4-10 基于模型的协同过滤 (04:49)
4-11 基于矩阵分解模型的两种算法：SVD和PMF (18:49)
4-12 缺失值填充 (24:39)
第5章 Spark内置推荐算法ALS原理
5-1 ALS 算法原理 (05:52)
5-2 ALS 算法在Spark上的实现 (18:51)
5-3 ALS 算法在 Spark 上的源码分析 (11:28)
第6章 推荐系统搭建——需求分析和环境搭建
6-1 本章重点难点提点
6-2 项目需求分析 技术分解 模块设计 (04:43)
6-3 开发环境搭建 (19:13)
6-4 环境问题 工具问题 版本问题 (05:44)
6-5 【实操手册】环境搭建文档 ( 完善版 )
第7章 推荐系统搭建——UI界面模块
7-1 VUE+ElementUI简单入门 (14:08)
7-2 用户访问页面实现 (11:48)
7-3 AB Test 控制台页面（上） (13:24)
7-4 AB Test 控制台页面（下） (13:23)
第8章 推荐系统搭建——数据层
8-1 数据上报（上） (18:07)
8-2 数据上报（下） (13:57)
8-3 日志清洗和格式化数据（上） (17:13)
8-4 日志清洗和格式化数据（中） (15:28)
8-5 日志清洗和格式化数据（下） (15:07)
8-6 分析用户行为和商品属性 (07:30)
第9章 推荐系统搭建——推荐引擎
9-1 基于用户行为构建评分矩阵 (09:52)
9-2 离线推荐：基于用户角度召回策略筛选候选集（上） (22:20)
9-3 离线推荐：基于用户角度召回策略筛选候选集（下） (21:57)
9-4 离线推荐：基于物品角度召回策略筛选候选集（上） (23:11)
9-5 离线推荐：基于物品角度召回策略筛选候选集（下） (21:55)
9-6 离线推荐：写特征向量到HBase (07:13)
9-7 离线推荐：基于模型的排序 (12:22)
9-8 实时推荐：Storm解析用户行为 (17:04)
9-9 实时推荐：通过FTRL更新特征权重-原理 (13:33)
9-10 实时推荐：通过FTRL更新特征权重-代码实现 (26:06)
9-11 离线推荐和实时推荐项目梳理 (12:07)
第10章 推荐系统搭建——推荐结果存储
10-1 数仓ODS和DWD层搭建 (09:23)
10-2 搭建用户行为日志数据仓库 (10:17)
10-3 利用外部分区表存储用户行为 (09:43)
第11章 推荐系统搭建——推荐效果评估模块
11-1 AB Test (05:12)
11-2 AB Test的分流管理 (06:26)
11-3 搭建AB Test 实验控制台（上） (18:01)
11-4 搭建AB Test 实验控制台（下） (11:57)
11-5 常用评测指标 (05:37)
第12章 知识拓展——基于关联规则的推荐算法
12-1 基于Apriori的关联算法 (07:17)
12-2 基于Spark实现Apriori算法（上） (18:24)
12-3 基于Spark实现Apriori算法（下） (21:52)
12-4 基于FP-Growth的关联算法 (13:09)
12-5 基于Spark实现FP-Growth算法 (13:26)
第13章 知识拓展——基于机器学习的推荐算法
13-1 RBM神经网络 (06:02)
13-2 CNN卷积神经网络 (08:41)
13-3 RNN循环神经网络 (11:34)
第14章 知识拓展——基于内容的推荐算法
14-1 文本向量化 (09:54)
14-2 基于Spark实现TF-IDF (16:29)
14-3 课程总结 (12:01)