贪心推荐系统算法工程师
<p><img src="/data/attachment/forum/images/2021112320274716128.jpg"></p><p> 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，其中，推荐系统、计算广告等领域彰显的尤为明显。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，目前发展势头很猛。</p><p>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，逻辑回归为什么用sigmoid函数？有确切的理论推导吗？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？</p>
<p>课程目录</p>
<p>Week 1：机器学习基础</p>
<p>Week 2：推荐系统基础</p>
<p>Week 3：内容画像与用户画像</p>
<p>Week 4：用户画 Week</p>
<p>Week 5：传统match方法</p>
<p>Week 6：深度match方法</p>
<p>Week 7：经典Ranking方法</p>
<p>Week 8： GraphEmbedding 大家族与用户行为构建</p>
<p>Week 9：引入sideinfo信息的图推荐、基于推理的图推荐</p>
<p>Week 10：深度Ranking模型</p>
<p>Week 11：重排序与多目标学习</p>
<p>Week 12：热点文章实时召回</p>
<p>Week 13：多目标与用户多兴趣</p>
<p>Week 14：强化学习与推荐系统</p>
<p>Week 15：项目总结、部署</p><p style="border-top: 1px dotted #d9d9d9;margin: 25px 0"></p>
页:
[1]