课程介绍:
本次培训以商业实战项目作为驱动来学习大数据技术在推荐系统项目中的应用。使得学员能够亲身体会大数据项目的使用场景和开发场景及其所产生的商业价值,零距离接触企业实战型项目,学以致用,不在停留在大数据的概念环节而是进入大数据技术实战项目开发的阶段。
课程目录:
01-推荐系统与大数据的关系
1-大数据应用案例
2-大数据技术框架
3-推荐系统的技术栈
4-课程的基础要求和安排
02-认识推荐系统
1-什么是推荐系统
2-推荐系统的应用案例
3-推荐系统的评测方法
4-推荐系统的评测指标
03-推荐系统设计
1-推荐系统的设计
2-用户界面的重要性
04-大数据lambda架构
1-什么是lambda架构
2-Lambda架构之批处理层
3-Lambda架构之实时处理层
4-Lambda架构之服务层
5-大数据平台快速部署-实践
6-配置Mysql和Redis-实践
7-安装Kafka-实践
8-安装测试Spark-实践
05-用户画像系统
1-什么是用户画像
2-用户画像的数学描述
3-用户画像系统流程
4-用户画像系统架构
5-用户标签使用案例
6-算法和模型的评价
7-SparkML代码实现
8-代码实例1之模型训练及参数设置-实践
9-代码实例1之参数设置及模型测试-实践
10-代码实例2之使用管道
11-代码实例2之使用管道-实践
12-代码实例3之模型调优
13-代码示例3之模型调优-实践
14-代码示例4之模型调优-实践
15-用户画像系统应用
06-推荐算法
1-推荐模型构建流程
2-推荐算法概述
3_基于协同过滤的推荐算法
4_相似度的计算
5_基于模型的方法
6_协同过滤的实现
7-推荐系统冷启动问题
8-推荐案例实践准备
9-推荐案例IDE环境配置-实践
07-Mahout推荐算法实战
1-Mahout概述
2_Mahout推荐系统组件
3-Mahout推荐系统评估
4-Mahout开发环境部署-实践
5-Mahout推荐实例1之偏好数组-实践
6-Mahout推荐实例2之数据模型-实践
7-Mahout推荐实例3之构建模型-实践
8-Mahout推荐实例4之模型评估1-实践
9-Mahout推荐实例5之模型评估2-实践
10-Mahout推荐实例6之电影推荐1-实践
11-Mahout推荐实例6之电影推荐2-实践
12-Mahout推荐实例6之电影推荐3-实践
13-Mahout推荐实例7之图书推荐1-实践
14-Mahout推荐实例7之图书推荐2-实践
15-Mahout推荐实例7之图书推荐3-实践
16-Mahout推荐实战-实践
08-Spark推荐算法实战
1-Mahout推荐实战补充-实践
2-Spark MLlib概述
3-MLlib推荐算法介绍
4-MLlib推荐算法实战
5-MLlib推荐实例之定义解析函数-实践
6_MLlib推荐实例之探索DataFrame-实践
7-MLlib推荐实例之ALS模型推荐-实践
8-MLlib推荐实例之模型评估-实践
9-推荐实战之开发环境准备-实践
10-推荐实战之实现用户评分函数-实践
11-推荐实战之实现计算RMSE函数-实践
12-推荐实战之参数设置及数据加载-实践
13-推荐实战之用户调查及数据拆分-实践
14-推荐实战之模型训练及评估-实践
15-推荐实战之个性化推荐-实践
16-推荐实战之测试部署-实践
09-推荐系统与Lambda架构
1-推荐系统与Lambda架构
2_推荐系统数据收集背景
3-FlumeNG数据收集系统
4-Web日志数据采集Flume部署配置-实践
5-Web日志数据采集Flume运行测试-实践
6_Sqoop数据收集工具
7-Sqoop收集账户数据-实践
8-HDFS数据存储系统
9-上传知识库文档到HDFS
10-HBase数据库存储系统
11-加载并访问Hbase的评分数据-实践
12-推荐系统综合实战
13-推荐系统离线层实现-实践
14-推荐系统服务层实现-实践
15-推荐系统实时层实现-实践
评论0