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：搜索和推荐的matching技术

  • 1-NLP的基础知识，BOW， TF-IDF， BM25
  • 2-word2vec， topic model
  • 3-向量召回，embedding基础

  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 CTR模型的在线学习技术

  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：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：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

  第五阶段 多目标排序与推荐算法的可解释性

  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： 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）

  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

  第一阶段 整体流程介绍与项目任务书发布

  在线直播：项目1 电影评分推荐系统，和项目2 疾病预测的特征工程的介绍

  在线直播：项目3 电商平台的商品推荐系统，和项目4 游戏推荐系统的介绍

  在线直播：项目5 猜你喜欢场景下的推荐系统，和项目6 Netflix推荐竞赛的介绍

  第二阶段 环境配置与特征工程

  在线直播：项目1 电影评分推荐系统，和项目2 疾病预测的特征工程

  在线直播：项目3 电商平台的商品推荐系统，和项目4 游戏推荐系统的特征工程程

  在线直播：项目5 猜你喜欢场景下的推荐系统和项目6 Netflix推荐竞赛的特征工程

  第三阶段 模型构建与迭代优化

  在线直播：项目1 电影评分推荐系统，和项目2 疾病预测的特征工程的模型构建建

  在线直播：项目3 电商平台的商品推荐系统，和项目4 游戏推荐系统的模型构建

  在线直播：项目5 猜你喜欢场景下的推荐系统，和项目6 Netflix推荐竞赛的模型构建

  第四阶段 代码解析与上线部署

  在线直播：项目1 电影评分推荐系统，和项目2 疾病预测的特征工程的代码解析

  在线直播：项目3 电商平台的商品推荐系统，和项目4 游戏推荐系统的代码解析

  在线直播：项目5 猜你喜欢场景下的推荐系统，和项目6 Netflix推荐竞赛的代码解析析

  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

    疾病预测

    我们将会选用UCI的machine learning公开数据集, 进行疾病预测. 在这里我们将会讨论包括线性模型和树模型在内的不同的机器学习方法, 特征选择和重要性评估, 以及模型结果的可视化.

  • 

    实战项目三

    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。

  • 

    实战项目四

    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。

  • 

    实战项目六

    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。

• 第四部分 面试求职

  针对学员所选的实战项目，进行项目与简历的最终调整与完善。然后除了学员自己投简历找工作之外，增加内推，并跟踪每一次面试的结果，不断辅导迭代，最终拿到offer。

  第一阶段 项目总结和就业辅导

  在线直播： 六大项目的总结与就业辅导

  • 1-项目1 电影评分推荐系统、项目2 电商平台的商品推荐系统、项目3 游戏推荐系统的代码解析、项目4 Netflix推荐竞赛的代码解析、项目5 猜你喜欢场景下的推荐系统的项目总结
  • 2-简历的优化与调整：如何把课程项目写进简历里，需要突出哪些技术点、如何确定评估指标

  第二阶段 面试辅导与内推

  • 1-内推包括且不限于互联网名企
  • 2-跟踪每一个学员的就业动态，辅导每一次面试遇到的问题

• 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。

• 
  杨老师

  广告算法和推荐算法专家，5年BAT互联网技术开发管理经验，有丰富的广告系统、推荐系统研发经验，分别在百度核心搜索广告算法团队以及腾讯某重要推荐算法团队工作4年。

• 
  Duncan老师

  广告算法工程师，就职于BAT的商业变现部门，在点击率预估、智能出价、投放策略等方面有丰富经验。

往期评价