课程简介

本推荐就业班第三期继续维持前两期的BAT大咖小班教学且保证就业,作业考试竞赛且批改,包括依然针对每一个人的不同情况给予个性化定制辅导,定制学习路线,并优化简历,定制与教授项目。

此外,本期在前两期的基础上,不但在内容上全面调整、升级,而且五月底进行了第一次升级:

  • 内容升级,直接新增三个阶段的内容,包括多目标排序,深度模型抽取特征,真实场景推荐和推荐算法前沿技术,并优化了整个课程大纲,让内容更成体系、更加成熟;
  • 项目升级,结合新兴的推荐业务场景新增五大可供选择的推荐项目,比如电影评分推荐系统、电商平台的商品推荐系统等等,项目难度和要求会提升到世界顶级公司内部项目的标准;
  • 就业升级,新增全职就业讲师辅助就业,更新增全职的科学家、全职讲师、全职助教进一步提升教学质量、服务质量,为全体学员的就业或转行鼎力护航。

很快,课程又进行了第二次更大的升级,把前六周中本来一周一次直播改成一周两次直播,以下是新增的其中五次直播的内容(更重要的是课程没涨价):

  • 1. 用户特征和Item特征的常用方法
  • 2. 分布式机器学习系统及其在排序模型中的应用
  • 3. CTR预估和采样
  • 4. 在线学习和相关技术
  • 5. 强化学习在推荐系统中的前沿应用介绍

面向群体: 因为本课程采用严格筛选制(通过率不到1/3),需要具备一定的基础能力才能报名通过,故以下同学优先:

  • 高校CS,数学理工科相关专业的往届或应届研究生,985或211的同学优先
  • 有2年以上开发经验或数据分析经验的优秀本科生
  • 已有一定的机器学习、深度学习基础,比如学过七月在线的ML、DL课程

课程安排

  • 第一部分 报名审核

    申请学员(以下简称学员)填写报名申请表并附上简历,电话或远程面试通过后,才视为报名成功,然后学员和七月在线(以下简称机构)双方签订培训合同。

  • 第二部分 内容安排

    课程开始前,提供预习视频预习,课程开始后,每周安排直播、录播、实训、答疑,然后每两周考试一次,顺利通过阶段考试的学员,才能进入下一阶段的学习。未能通过考核的重新学习,做查漏补缺。

    第一阶段 掌握BAT推荐系统和常用算法

    在线视频:推荐系统简介:Youtube、Google、BAT、头条等

    • 1-系统架构、模块介绍(召回、排序、重排序算法和系统等)
    • 2-推荐算法评估指标
    • 3-A/B Test 系统
    • 4-冷启动问题和工业界解决方案

    在线实训:冷启动解决方案代码实战

    在线视频:召回算法和业界最佳实践

    • 1-BAT里常用的CF算法以及变种(User/Item CF等变种)
    • 2-Hybrid CF 算法
    • 3-Model Based CF(LFM矩阵分解、NMF、SVD)
    • 4-基于改进版协同过滤算法实战

    在线实训:python实现经典User/Item CF算法

    在线直播:推荐业务、feed流产品及推荐算法策略架构解析

    • 1-推荐业务和推荐feed流产品详解
    • 2-推荐策略架构分解
    • 3-基于point wise 的stacking model 如何做用于推荐业务,以及相应的效果评估和模型如何升级(针对相应算法,提供data和code)

    第二阶段 深入BAT内部推荐&召回架构

    在线视频:召回算法和业界最佳实践进阶

    • 1-Graph 推荐召回算法
    • 2-倒排召回算法系统设计
    • 3-Embedding 召回(DNN)

    在线实训:基于改进版协同过滤算法实战

    在线视频:用户建模(召回、排序都会用到)

    • 1-BAT公司里常见的用户建模
    • 2-特征工程、分类模型开发

    在线实训:如何做一个用户偏好模型实战

    在线直播:用户特征和Item特征的常用方法

    • 1-Embedding的数学本质和计算方法
    • 2-用户特征和人群画像
    • 3-手动和自动特征工程

    在线直播:Deep recall算法解析、主流技术方向思考及相应model的改进方案

    • 1-推荐系统的主流技术深度方向讨论及相关算法思考
    • 2-如何通过deep learning model抽取推荐系统中的high-order feature
    • 3-recall算法簇review,Deep recall模型解析和优化(针对相应算法,提供data和code)

    第三阶段 通晓Learn to Rank模块中的模型结构

    在线视频:重排序算法:Learn to Rank

    • 1-Pointwise/Pairwise/Listwise排序(全局排序)
    • 2-多目标优化(ESMM等)
    • 3-多样性排序(BAT真实场景用户体验优化)

    在线视频: 排序算法&深度学习模型

    • 1-推荐系统的 Rank 模块介绍
    • 2-基于规则的Rank算法
    • 3-Rank模型进入机器学习时代
    • 4-BAT模型改进:从浅度到深度Rank学习(WDL、DeepFM、DeepCross等)

    在线实训:python实现WDL模型

    在线直播:分布式机器学习系统及其在排序模型中的应用

    • 1-分布式机器学习系统综述
    • 2-Parameter Server介绍
    • 3-基于Paramer Server的大规模离线LR/FM实现介绍

    在线直播:商品推荐方案讨论、E&&E算法以及deep learning如何作用于推荐系统中的排序

    • 1-电商推荐系统的难点
    • 2-业界推荐系统的公开数据集和开源经典算法以及用于解决coldstart和exploit-explore问题的bandit算法簇
    • 3-deep learning模型算法作用于排序及相应优化方案(针对相应算法,提供data和code)

    第四阶段 通晓Learn to Rank模块中的特征抽取

    在线视频: 排序算法&深度学习模型进阶

    • 1-BAT模型改进:从浅度到深度Rank学习(Attention、知识图谱、LSTM等)(下)
    • 2-Rank模型中的特征工程(BAT里基础建模流程构造:涉及样本、特征、模型、系统设计和实践)
    • 3-工业界实际的CTR后校准技术
    • 4-工业界大规模训练&在线引擎

    在线实训 :阿里CTR-CVR数据上的MTL-ESMM实战(TensorFlow)

    在线视频: 学术界最新算法在BAT的应用

    • 1-电商推荐中的Delayed reward强化学习算法
    • 2-GAN等技术在推荐系统的实践

    在线直播:CTR预估和采样

    • 1-CTR概率矫正技术
    • 2-多目标和ESMM
    • 3-多种多样的采样算法

    在线直播:推荐业务经典架构深度剖析

    • 1-资讯推荐系统
    • 2-视频推荐系统
    • 3-外卖推荐系统
    • 4-知识问答推荐系统
    • 5-音乐推荐系统
    • 6-如何通过优化模型结构把high-level特征抽取融合进推荐系统的排序模块(learning to rank)中(针对相应算法,提供data和code)

    第五阶段 在线排序模块和多目标排序

    在线视频: 实时化技术升级

    • 1-Online Learning 算法(FTRL、增量学习等)
    • 2-Online Learning 在BAT的系统架构

    在线实训 :Online Learning 最新算法实现

    在线直播: 在线学习和相关技术

    • 1-L1, L2和FTRL优化算法
    • 2-流式计算和流式数据
    • 3-在线模型和实时特征

    在线直播: 多目标排序

    • 1-推荐系统中的CTR、CVR任务如何共同建模
    • 2-多目标排序的问题点
    • 3-如何通过算法将推荐系统中的用户显式反馈行为和隐式反馈行为(浏览、点击、购买和评论)进行表征同时作用于个性化推荐(针对相应算法,提供data和code)

    第六阶段 真实场景推荐和推荐算法前沿技术

    在线视频: 掌握真实业务场景下的推荐算法

    • 1-社交推荐算法
    • 2-短视频推荐算法
    • 3-音乐推荐
    • 4-新闻推荐
    • 5-电商推荐

    在线直播: 强化学习在推荐系统中的前沿应用介绍

    • 1-强化学习介绍
    • 2-Google强化学习机器应用于推荐系统介绍

    在线直播: 推荐系统最新技术、场景、方向解析

    • 1-推荐新场景
    • 2-推荐系统可解释性
    • 3-推荐系统多样性
    • 4-推荐系统公平性
    • 5-冷启动问题的最新解法
  • 第三部分 实战项目

    在课程进行的后半段,学员根据自己的兴趣和求职的方向选择实战项目,可供选择的实战项目侧重新兴的推荐业务场景,包括:
    • 实战项目一

      电影评分推荐系统

      随着5G的来临,人们获取视频等多媒体数据越来越容易,各个视频app日益火爆,人们对影视作品这种高级娱乐作品的消费需求巨大,电影推荐场景应用非常广泛,我们收集了全球顶级影视公司的用户日志,针对相应的数据进行推荐算法优化。

    • 实战项目二

      电商平台的商品推荐系统

      电商业务在全球各大互联网公司的营收中都占有极其重要的地位,推荐系统对用户推荐商品的质量好坏直接影响了巨头们的股价,商品推荐团队是公司各大算法团队中的核心团队,有着绝对地位的优势,我们针对全球Top 1的电商数据进行推荐算法优化。

    • 实战项目三

      游戏推荐系统

      在某社交巨头的业务版图中,游戏是公司收入的主要支柱产业,推荐游戏给用户也成为了推荐系统的主要任务,我们需要充分挖掘用户对游戏的偏好特征来优化游戏推荐算法,我们对全球顶级游戏公司的游戏用户数据进行游戏推荐。

    • 实战项目四

      Netflix推荐竞赛

      Netflix是全球顶尖的视频网站,推荐引擎是Netflix公司的关键服务,1千多万顾客都能在一个个性化网页上对影片做出1-5的评级。Netflix将这些评级放在一个巨大的数据集里,该数据集容量超过了30亿条。Netflix使用 推荐算法 和软件来标识具有相似品味的观众对影片可能做出的评级。两年来,Netflix 已经使用参赛选手的方法提高了影片推荐的效率,这已经得到了很多影片评论家和用户的好评。

    • 实战项目五

      猜你喜欢场景下的推荐系统

      猜你喜欢是各个主流app的top1产品,这些app的大部分流量都来自于“猜你喜欢”这个入口,这是根据客户喜好推荐给客户的产品,其最大特点就是流量比较精准,更容易变成转化,我们该场景数据下的推荐算法项目。

  • 第四部分 面试求职

    针对特定方向的定制化项目(如推荐实战项目),进行项目与简历的最终调整与完善。然后安排名企面试官模拟面试与内推,面试与反馈迭代,最终帮助学员成功拿到offer。

    第一阶段 简历与项目定制

    • 1-大型公司的招聘方向与需求分析,并选择方向,然后针对特定方向的定制化项目,进行简历调整与完善:一份优质简历的基本原则、你的简历是怎么进出人才资源池的、校招/社招面试官是怎么阅读简历的
    • 2-实用面试技巧若干

    第二阶段 面试辅导与内推

    • 1-名企面试官模拟面试与内推 (BAT大咖讲师会给班级里面的每一位学员电话面试,按照BAT中AI/推荐算法工程师岗位的要求来面试并且打分,并当场给予分数反馈和调整建议)
    • 2-面试与反馈迭代
    • 注:实战项目会根据市场环境,学员综合情况动态调整。
  • 第五部分 入职护航

    针对学员入职后工作上遇到的技术方面问题,进行一周的跟踪服务,为学员稳定就业保驾护航。

讲师介绍

  • 李老师

    推荐算法专家,在BAT均从事过推荐系统、广告系统等研发,做过多个行业的推荐系统。

往期评价

时间安排

2019年7月1日开学,越早报名越早享受到BAT大咖的一对一个性化定制。

一个半月的学习周期(包括直播、录播、实训、答疑、考试),一个半月的项目和就业周期,且配备全职科学家、全职助教、全职就业老师辅助讲师进行课程答疑、项目辅导、简历指导、就业内推。

课程价格

收费:¥21000,包含课程费用、项目费用、就业费用,审核通过且报名后签订就业协议,了解详情或优惠,敬请咨询。

报名流程

报名本就业班的步骤如下

  • 1、点击此处,下载申请表
  • 2、填写好申请表后,和简历一并发送至邮箱:zhangjiaojiao@julyedu.cn
  • 3、我们会在两个工作日之内沟通后续事宜

PS:申请表和简历不得造假(包括但不限于:学历不得造假、教育经历不得造假、工作履历不得造假,一经发现,立即取消入学资格,且相关后果自负)。

课程咨询

张老师:18610663100(微信同步)

email:zhangjiaojiao@julyedu.cn

¥21000:课程全新升级,咨询可优惠

七月内报名加送:新VIP[包未来一年在线课程和全年GPU]

  • 课程 {{item.course_title}} {{item.simpledescription}}
    去使用 去使用 有效期{{item.expire_time}}天
    优惠券 {{item.price}} 元 全场通用 仅用于{{item.course_title}}
领取
领取成功
您有1个待支付尾款的课程
再不支付就要过期了!
点击查看