推荐系统的构建:从经典到深度学习方法
推荐系统是人工智能、机器学习与大数据最为直接的前沿应用,是与日常生产和生活结合最紧密的智能系统。
近十年来,越来越多的推荐系统部署在电子商务、在线社交、搜索引擎、人机交互等各个互联网领域。同时,在金融、医疗、物流供应等传统领域,结合相关领域知识定制化的智能推荐系统也正在崛起。
>>图片来自「智能推荐系统入门与提高」课件<<
越来越多的企业把推荐系统作为开展业务的核心支持系统,其中包括国内外众所周知的企业如阿里巴巴(Alibaba)、百度(Baidu)、腾讯(Tencent)、Amazon、Facebook、Twitter、Google等。
因此,市场对构建智能推荐系统高级人才需求日益增大。然而,国内鲜有高校开设推荐系统的相关课程。虽然现在也有一些在线课程,但是很多课程为了迎合转行从业者以及科研项目的需求,在课程设置中更加偏重于实践操作,往往忽视理论层面系统完整的知识体系。
最终导致学习者做出来的推荐系统无法很好地贴合用户需求,效果很差,但是面对底层逻辑又无法进行合理的理论分析与修改,举步维艰!
为了完备自己的理论知识体系,更多的伙伴更会倾向于选择阅读相关书籍和上网查阅资料的方法。虽然书籍相比于博文、经验贴的知识更加系统,但是实践结果预期与实际总会大相径庭,又很难通过查阅资料发现并解决其中的问题。
>>文末有福利彩蛋<<
要有系统完备的知识体系,最高效的方法是有深耕该领域的老师指导,同时结合实践,从而帮助我们夯实基础、提升实践能力,快速入门,高效提升能力。
基于以上,深蓝学院诚邀悉尼科技大学的胡亮与汪守金两位博士,共同打磨推出了『智能推荐系统入门与提高』课程,并且操龙兵与曹建两位教授也对课程的制作提供了指导建议。
课程整体采用由浅入深的教学方式,从构建基本的经典推荐系统入手,逐步过渡到基于深度学习、图网络的更为复杂的推荐系统的搭建,深入理解不同推荐系统的优缺点。
胡亮、汪守金两位博士在课程中,会在答疑群中与大家交流,并帮助每一位学员解决学习中遇到的问题。除此之外,课程每章都有作业安排,更好巩固课程所学内容。并且会有专属的助教,为学员的作业进行反复多次的批改反馈,帮助大家在每一次作业实践中学习、成长!
讲师团队
胡亮/讲师
上海交通大学-悉尼科技大学双博士
研究领域:推荐系统、机器学习、数据科学等
在WWW,IJCAI,AAAI,ICDM,ICWS,TOIS,IEEE-IS等刊物发表论文30余篇,提出的推荐系统模型和算法,已经被诸多国内外项目采用,包括三星、摩根士丹利、携程、澳大利亚税务局、澳大利亚专利局等。
汪守金/讲师
悉尼科技大学客座研究员
悉尼科技大学数据科学与人工智能方向博士
主要研究方向:数据科学、机器学习、用户行为分析、时间序列数据分析与推荐系统。
在国际知名会议期刊IJCAI, AAAI, TNNLS, TII, TSMC-Systems上发表高水平文章20余篇,其中单篇被引超过140次。
课程大纲
>>点击图片,查看大图<<
项目实践
• 使用Python基本模块构建经典推荐系统
o 基于用户和物品属性的线性回归模型进行物品评分预测
o 基于用户和物品属性的Logistic回归模型进行物品点击预测
o 基于用户和物品属性的Softmax回归模型进行物品排序推荐
• 使用Numpy、Pandas、Scikit-learn等Python库进行推荐性能评估
o 使用Numpy, Pandas等计算推荐结果的精度,多样性,新颖性等指标
• 使用深度学习库(以Keras为例)构建深度推荐模型
o 使用Keras构建基于用户和物品属性的Neural Regression Recommendation Models,Neural Matrix Factorization,Neural Factorization Machines
o 使用Keras构建基于用户交易记录和会话数据的Recurrent Neural Networks, Convolutional Neural Networks, Graph Neural Networks等神经网络模型
抢占优惠名额
现在报名,即可优惠100元!
不要轻易错过机会
备注“817”,会优先通过哦~
▲ 立即扫码咨询
还有疑问?
赶快添加「叶子」,获取专业解答!
福利时间
推荐系统引用量Top 50的论文集
单篇论文引用量均高达1000+
微信扫码,备注“52论文”,免费领取
推荐系统的构建:从经典到深度学习方法相关推荐
- 基于深度学习方法的推荐系统(转载)
原文:Deep Learning based Recommender System: A Survey and New Perspectives 作者:张帅, 新南威尔士大学 翻译:沈春旭,清华大学 ...
- 推荐系统CTR预估学习路线:深度模型
推荐系统CTR预估学习路线:从LR到FM/FFM探索二阶特征的高效实现 推荐系统CTR预估学习路线:利用树模型自动化特征工程 推荐系统CTR预估学习路线:深度模型 推荐系统CTR预估学习路线:引入注意 ...
- 搜索推荐中的召回匹配模型综述(二):基于表示学习的深度学习方法
" 本文是搜索推荐中的召回匹配模型综述系列的第二篇,上一篇为搜索推荐中的召回匹配模型综述(一)--传统方法. 本文主要介绍了搜索推荐中基于representation learning的深度 ...
- 传统CV和深度学习方法的比较
点击上方"小白学视觉",选择加"星标"或"置顶" 重磅干货,第一时间送达 本文转自:新机器视觉 摘要: 深度学习推动了数字图像处理领域的极限 ...
- 在鱼眼和全向视图图像的深度学习方法
点击上方"3D视觉工坊",选择"星标" 干货第一时间送达 作者:黄浴 https://zhuanlan.zhihu.com/p/88675419 本文仅做学术分 ...
- 3D目标检测深度学习方法之voxel-represetnation内容综述(二)
点击上方"3D视觉工坊",选择"星标" 干货第一时间送达 前言 前面的一篇文章:3D目标检测深度学习方法中voxel-represetnation内容综述(一) ...
- 温故而知新,6位顶级CV科学家聚首:计算机视觉中的深度学习方法vs传统方法...
来源:AI科技评论 作者:Mr Bear 编辑:青暮 2021 年 10 月 13 日,来自麻省理工学院.加州大学伯克利分校.伊利诺伊大学香槟分校.华盛顿大学.帝国理工学院的六名顶级人工智能科学家.计 ...
- 语义分割中的深度学习方法全解:从FCN、SegNet到各版本DeepLab
语义分割中的深度学习方法全解:从FCN.SegNet到各版本DeepLab 原文:https://www.sohu.com/a/155907339_610300 图像语义分割就是机器自动从图像中分割出 ...
- 深度学习方法在负荷预测中的应用综述(论文阅读)
前言 本篇论文主要介绍了当下用于智能电网电力负荷预测的多种DL方法,并对它们的效果进行了比较.对于RMSE的降低效果上,集成DBN和SVM的方法RMSE降低显著,达到了21.2%.此外,PDRNN ...
最新文章
- UVALive5389 UVA414 POJ1493 ZOJ1339 Machined Surfaces
- 机器学习之用Python从零实现贝叶斯分类器
- 【Android 逆向】整体加固脱壳 ( DEX 优化流程分析 | DexPrepare.cpp 中 dvmOptimizeDexFile() 方法分析 | /bin/dexopt 源码分析 )
- 分享android开发过程中用到的一些开源框架
- 当我们在谈论multidex65535时,我们在谈论什么
- @Transactional注解事务不回滚不起作用无效
- 巴比伦算法求平方根c语言,巴比伦算法求平方根
- 【Windows】Windows10-Telnet的使用
- POJ1011———Sticks
- 软件开发工程师:程序员的职业规划就像软件工程
- 国内pinterest模式昙花一现 社交电商不该这么玩
- 工作以后就不怎么想学习了
- 2030影院群站专用苹果CMS10自适应手机电影整站源码影视模板下载
- 汉服php素材,【福利】汉服裁剪制作图——收录大全
- shc文件wegt服务器,Shc如何配置_Shc安装问题-华为云
- 图文教你选择和区别A卡和N卡
- Gym 100818F	Irrational Roots
- VUE项目的e2e自动化测试超详细安装过程(保姆级)
- Shell 命令执行可视化和告警工具
- pos打印机指令java,如何从Delphi向POS打印机发送控制命令
热门文章
- qrcodejs2--Vue生成二维码组件封装
- rdp协议打开 windows_ubuntu客户端使用RDP协议连接windows服务器
- Linux CentOS7 rsync通过服务同步、linux系统日志、screen工具
- Universal-Image-Loader(UIL)图片载入框架使用简介
- AC日记——凌乱的yyy 洛谷 P1803
- UE3 ExampleGame Android版无法运行解决方案
- MSSQLSERVER数据库- 递归查询例子
- oracle 去除重复的信息
- Ado.net 创建DataTable
- odyssey react鉴定_Nike Odyssey React SHLD开箱测评 Nike Odyssey React SHLD实物欣赏