课程分为七个章节：架构篇、数据篇、召回篇：基于规则的召回、服务搭建篇、召回篇：经典召回算法、排序篇和部署篇。
架构篇
为你提供了解推荐系统概念和功能宏观视角。以 Netflix 系统为例，带你推荐系统的工作原理，展示推荐系统的运作流程和优化策略，从而让你对推荐系统的实践应用有一个整体认识。
数据篇
深入探讨推荐系统所依赖的数据处理流程。先学习爬虫和数据库的原理和使用方法，然后从新闻网站中爬取数据，将它们作为我们的原始数据集。接下来，使用 NLP、Python 等技术对数据进行简单的特征工程处理，形成内容画像系统。
召回篇：基于规则的召回
利用数据篇得到的数据，进行一些基于规则的召回。在讲解什么是召回、为什么需要召回以及召回的种类的同时，深入研究召回对于推荐系统的影响，以及如何选择最优的召回策略。
服务搭建篇
将数据拼装后，绑定到界面进行内容推荐。本章将为你提供一个简单的推荐系统 Web 界面，带领你在这个界面的基础上调用 Flask 提供的 webservice 接口，完成内容推荐。
召回篇：经典召回算法
深入探讨包括协同过滤、基于 Embedding 的召回以及基于深度学习的召回等一系列经典召回算法，针对这些算法做不同的特征处理，并将它们与数据库、数据集结合起来。
排序篇
讲解经典排序算法，包括 GBDT、LR、DeepFM、重排序等，充分利用现有数据，与上一章的推荐系统流程结合，用真实案例加深你对这些算法特点及适用场景的理解。
部署篇
带你使用 TensorFlow Serving 来进行服务的部署和搭建，完成一个真正的企业级推荐系统。此外，还会对推荐系统进行一个整体的回顾，带你从全局视角来观察企业级推荐系统如何在线上运作。
〖资源目录〗:
– ├──01｜推荐系统：我们应该怎样学习推荐系统？.md 14.73kb
– ├──01｜推荐系统：我们应该怎样学习推荐系统？.mp3 15.29M
– ├──01｜推荐系统：我们应该怎样学习推荐系统？.pdf 9.82M
– ├──02｜Netflix推荐系统：企业级的推荐系统架构是怎样的？.md 12.41kb
– ├──02｜Netflix推荐系统：企业级的推荐系统架构是怎样的？.mp3 13.10M
– ├──02｜Netflix推荐系统：企业级的推荐系统架构是怎样的？.pdf 9.56M
– ├──03｜数据处理：我们应该如何获取和处理数据？.md 9.40kb
– ├──03｜数据处理：我们应该如何获取和处理数据？.mp3 10.00M
– ├──03｜数据处理：我们应该如何获取和处理数据？.pdf 8.08M
– ├──04｜MongoDB：如何安装和使用MongoDB数据库？.md 11.83kb
– ├──04｜MongoDB：如何安装和使用MongoDB数据库？.mp3 11.13M
– ├──04｜MongoDB：如何安装和使用MongoDB数据库？.pdf 9.69M
– ├──05｜Redis：如何安装和使用Redis数据库？.md 8.37kb
– ├──05｜Redis：如何安装和使用Redis数据库？.mp3 8.53M
– ├──05｜Redis：如何安装和使用Redis数据库？.pdf 8.60M
– ├──06｜网络爬虫：爬取一个网站的流程是怎样的？.md 10.43kb
– ├──06｜网络爬虫：爬取一个网站的流程是怎样的？.mp3 10.90M
– ├──06｜网络爬虫：爬取一个网站的流程是怎样的？.pdf 10.14M
– ├──开篇词｜从企业级项目开始，进阶推荐系统.mp3 9.81M
– └──开篇词｜从企业级项目开始，进阶推荐系统.pdf 8.84M
