唐宇迪推荐系统实战系列

admin · admin 发表于 2024-3-19 17:02:43

唐宇迪推荐系统实战系列
8939f35fa99476829306f172a44cebe8_100ab0f68ceb61f90678d01a98a86b6b.png

推荐系统实战系列课程旨在帮助同学们快速掌握推荐系统领域常用算法及其建模应用实例。全程基于Python及其开源工具实战演示各大推荐引擎构建方法，基于真实数据集进行建模与应用实战。整体风格通俗易懂，适合入门与进阶的同学们加入学习，提供课程所需全部PPT，数据，代码。

1 课程简介.mp4
2 推荐系统通俗解读.mp4
3 推荐系统发展简介.mp4
4 应用领域与多方位评估指标.mp4
5 任务流程与挑战概述.mp4
6 常用技术点分析.mp4
7 与深度学习的结合.mp4
8 协同过滤与矩阵分解简介.mp4
9 基于用户与商品的协同过滤.mp4
10 相似度计算与推荐实例.mp4
11 矩阵分解的目的与效果.mp4
12 矩阵分解中的隐向量.mp4
13 目标函数简介.mp4
14 隐式情况分析.mp4
15 Embedding的作用.mp4
16 音乐推荐任务概述.mp4
17 数据集整合.mp4
18 物品相似度计算与推荐.mp4
19 SVD矩阵分解.mp4
20 基于矩阵分解的音乐推荐.mp4
21 知识图谱通俗解读.mp4
22 知识图谱在搜索引擎中的应用.mp4
23 知识图谱在医疗领域应用实例.mp4
24 金融与推荐领域的应用.mp4
25 数据获取分析.mp4
26 Neo4j图数据库介绍.mp4
27 Neo4j数据库安装流程演示.mp4
28 可视化例子演示.mp4
29 创建与删除操作演示.mp4
30 数据库更改查询操作演示.mp4
31 知识图谱推荐系统效果演示.mp4
32 kaggle电影数据集下载与配置.mp4
33 图谱需求与任务流程解读.mp4
34 项目所需环境配置安装.mp4
35 构建用户电影知识图谱.mp4
36 图谱查询与匹配操作.mp4
37 相似度计算与推荐引擎构建.mp4
38 CTR估计及其经典方法概述.mp4
39 高维特征带来的问题.mp4
40 二项式特征的作用与挑战.mp4
41 二阶公式推导与化简.mp4
42 FM算法解析.mp4
43 DeepFm整体架构解读.mp4
44 输入层所需数据样例.mp4
45 Embedding层的作用与总结.mp4
46 数据集介绍与环境配置.mp4
47 广告点击数据预处理实例.mp4
48 数据处理模块Embedding层.mp4
49 Index与Value数据制作.mp4
50 一阶权重参数设计.mp4
51 二阶特征构建方法.mp4
52 特征组合方法实例分析.mp4
53 完成FM模块计算.mp4
54 DNN模块与训练过程.mp4
55 环境配置与数据集介绍.mp4
56 电影数据集预处理分析.mp4
57 surprise工具包基本使用.mp4
58 模型测试集结果.mp4
59 评估指标概述.mp4
60 数据与环境配置介绍.mp4
61 数据科学相关数据介绍.mp4
62 文本数据预处理.mp4
63 TFIDF构建特征矩阵.mp4
64 矩阵分解演示.mp4
65 LDA主题模型效果演示.mp4
66 推荐结果分析.mp4
67 数据与环境配置.mp4
68 数据与关键词信息.mp4
69 关键词云与直方图展示.mp4
70 特征可视化.mp4
71 数据清洗概述.mp4
72 缺失值填充方法.mp4
73 推荐引擎构造.mp4
74 数据特征构造.mp4
75 得出推荐结果.mp4
76 数据与任务介绍.mp4
77 文本词频统计.mp4
78 ngram结果可视化展示.mp4
79 文本清洗.mp4
80 相似度计算.mp4
81 得出推荐结果.mp4

资料目录：│  第一章：推荐系统介绍.pdf
│  第七章：DeepFM算法实战.zip
│  第九章：基于文本数据的推荐实例.zip
│  第二章：协同过滤与矩阵分解.pdf
│  第五章：基于知识图谱的电影推荐实战.zip
│  第八章：推荐系统常用工具包演示.zip
│  第六章：FM与DeepFM算法.pdf
│  第十一章：补充-基于相似度的酒店推荐系统.zip
│
├─第三章：音乐推荐系统实战
│  └─Python实现音乐推荐系统
│    │  1.png
│    │  2.png
│    │  3.png
│    │  4.png
│    │  5.png
│    │  6.png
│    │  7.png
│    │  8.png
│    │  recommendation_engines.py
│    │  Recommenders.py
│    │  song_playcount_df.csv
│    │  track_metadata.db
│    │  track_metadata_df_sub.csv
│    │  train_triplets.txt
│    │  triplet_dataset_sub_song.csv
│    │  user_playcount_df.csv
│    │  推荐系统.ipynb
│    │  老版.ipynb
│    │
│    ├─.ipynb_checkpoints
│    │    推荐系统-checkpoint.ipynb
│    │
│    └─__pycache__
│             Recommenders.cpython-36.pyc
│
├─第十章：基于统计分析的电影推荐
│    电影推荐.zip
│
└─第四章：Neo4j数据库实例
      NEO4J.docx

下载地址：

游客，如果您要查看本帖隐藏内容请回复