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 ， 尤其是推荐系统、计算广告等领域 。 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 ， 目前发展势头迅猛 。
大多数欲从事推荐系统相关工作的同学 ， 往往都是通过自学的方式来进行学习 ， 但是这样很明显的问题是：
1. 虽然学习了解了很多推荐算法模型 ， 如：协同过滤、FM、DeepFM等 ， 但是却不清楚这些模型在工业界推荐系统中是如何串联、如何配合、有哪些坑 ， 哪些trick的 ， 导致无论面试还是真正去业界做推荐系统 ， 都会被推荐领域的”老枪老炮“们一眼识别出小白属性 。
2. 对于算法原理理解不深刻 ， 这就会导致实际应用时不能很好地将模型的性能发挥出来 ， 另外面试时对于大厂面试官的刨根问底 ， 只能是眼睁睁的丢掉offer 。
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？真的了解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？
为了真正全面系统的培养面向工业界的推荐系统人才 ， 贪心学院推出了《推荐系统工程师培养计划3期》 ， 在前两期的基础上做了全面升级 ， 深度探索推荐系统算法知识 ， 并落地实操工业级项目 ， 由资深的推荐系统负责人全程直播讲解 ， 帮助你融会贯通 ， 轻松拿offer 。
推荐系统工程师培养计划
助你成为 行业TOP10%的工程师
对课程有意向的同学
01 课程大纲
第一部分：推荐系统之内容理解与画像构建
| Week1 机器学习基础 逻辑回归模型 梯度下降法 神经网络模型 过拟合与正则 常用的评价指标 常用的优化算法 向量、矩阵基础 | Week2 推荐系统基础 推荐系统概述、架构设计 推荐系统后台数据流设计 常用的技术栈 推荐系统中的评价指标 简单的用户协同 环境搭建 |
| Week3 内容画像的构建以及NLP技术 内容画像的搭建基础 关键词提取技术tf-idf, textRank LSTM与注意力机制 Attention的几种常用方式 Self-Attention Multi-head Attention 双线性Attention NLP工具的使用 MySQL数据库的搭建与内容画像存储 推荐阅读
|
