?推薦系統相信同學們已經不陌生了，在內容應用和電商應用已經是非常的廣泛，甚至是必須使用的算法。同樣的只要牽扯到算法方面的課程，都是在不斷的演變和演化，而我們作為IT工程師就一定要穩步的追上算法最新的更新腳步。本次的推薦系統課程就是經過很精華的一次升級，集合了學術界和業界最新的算法升級，以及在一線大廠中的實戰應用。同學們應該了解抖音的推薦機制是一流的，而想要開發甚至挑戰這樣的推薦系統，就一定要潛心來研究。
===============課程目錄===============
(1)\視頻；目錄中文件數:10個
├─第10課 掌握真實業務場景下的推薦算法.TS
├─第1課 推薦系統簡介：Youtube、Google、BAT、頭條等 .TS
├─第2課 召回算法和業界最佳實踐(一).TS
├─第3課 召回算法和業界最佳實踐(二).TS
├─第4課 用戶建模（召回、排序都會用到）.TS
├─第5課 重排序算法：Learning to Rank.TS
├─第6課 排序算法&深度學習模型（一）.TS
├─第7課 排序算法&深度學習模型（二）.TS
├─第8課 學術界最新算法在BAT的應用.TS
├─第9課 實時化技術升級 .TS
(2)\資料；目錄中文件數:0個
(3)\資料\第1課；目錄中文件數:3個
├─代碼.zip
├─推薦系統實踐-課件.pdf
├─推薦系統實踐.pdf
(4)\資料\第2課；目錄中文件數:5個
├─Fast Greedy MAP Inference for Determinantal Point.pdf
├─movie_recommender.ipynb
├─movie_recommender.py
├─第2課 召回算法和業界最佳實踐(一)??預覽版.pdf
├─第2課 召回算法和業界最佳實踐(一).pdf
(5)\資料\第3課；目錄中文件數:4個
├─Deep Neural Networks for YouTube Recommendations.pdf
├─word2vec.ipynb
├─word2vec_homework.ipynb
├─推薦系統實踐-3.pdf
(6)\資料\第4課；目錄中文件數:2個
├─Wide&Deep Learning Demo.zip
├─第4課 Build Large Scale Classification Model.pdf
(7)\資料\第5課；目錄中文件數:6個
├─BPR- Bayesian Personalized Ranking from Implicit Feedback.pdf
├─bpr.ipynb
├─Entire Space Multi-Task Model- An Effective Approach for Estimating Post-Click Conversion Rate.pdf
├─From RankNet to LambdaRank to LambdaMART- An Overview.pdf
├─Improving Pairwise Learning for Item Recommendation from Implicit Feedback.pdf
├─leaning to rank for recsys.pdf
(8)\資料\第6課；目錄中文件數:3個
├─第6_7課 Deep Rank Model(1).pdf
├─第6_7課 Deep Rank Model(2).pdf
├─第6_7課 Deep Rank Model(3).pdf
(9)\資料\第7課；目錄中文件數:2個
├─ESMM手把手Guidebook.zip
├─第6_7課 Deep Rank Model.pdf
(10)\資料\第8課；目錄中文件數:4個
├─FM_FTRL_demo.zip
├─第8課 實時化推薦技術升級(1).pdf
├─第8課 實時化推薦技術升級(2).pdf
├─第8課 實時化推薦技術升級.pdf
