分享领红包
分享给好友，每有1人领取红包，您将获得相同奖励。自己也可以领取哦〜
- {{item}}
- {{item}}
历史搜索
热门搜索
历史搜索
热门搜索
本期在上一期的基础上，继续维持：
此外，更新了三大企业级项目中的其中两大项目，分别是：
最后，本第七期再次改进每个知识点和项目，因为只有把项目讲透了，学员才能有更大的收获，从而更好的就业。
面向群体： 本课程适合应届研究生就业找工作，或在职上班族提升，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：
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。
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。
在线视频：推荐业务、feed流产品及推荐算法策略架构解析
在线视频：召回算法和业界最佳实践
在线视频：搜索和推荐的matching技术
在线实训：改进版协同过滤算法实战
在线视频：Deep recall算法解析、主流技术方向思考及相应model的改进方案
在线实训：隐语义模型实战
在线视频：用户建模（召回、排序都会用到）
在线实训：倒排索引项目实战
在线直播：召回算法进阶实战
在线直播：用户特征和Item特征的常用方法
在线视频：排序算法&深度学习模型
在线视频：Learn to Rank
在线实训：谷歌wide&deep模型实战
在线视频：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
在线视频：CTR预估和采样
在线直播：CTR预估进阶实战（上）
在线直播：CTR预估进阶实战（下）
在线视频：分布式机器学习系统及其在排序模型中的应用
在线视频： 实时化技术升级
在线实训 ：Online Learning 最新算法实现
在线视频：在线学习和相关技术
在线直播：基于flink和scala的实时计算
在线直播：单机和分布式深度学习tensorflow实践
在线视频：学术界最新算法在BAT的应用
在线视频：掌握真实业务场景下的推荐算法
在线直播：多目标排序
在线直播：推荐系统最新技术、场景、方向解析
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：
在线直播：项目1 文本推荐系统的介绍与准备
在线直播：项目2 用户行为预测的介绍与准备
在线直播：项目3 商品推荐系统的介绍与准备
在线直播：项目1 文本推荐系统的特征工程与初步建模
在线直播：项目2 用户行为预测的特征工程与初步建模
在线直播：项目3 商品推荐系统的特征工程与初步建模
在线直播：项目1 文本推荐系统模型的迭代与优化
在线直播：项目2 用户行为预测模型的迭代与优化
在线直播：项目3 商品推荐系统模型的迭代与优化
在线直播：项目1 文本推荐系统的模型评估与总结
在线直播：项目2 用户行为预测的模型评估与总结
在线直播：项目3 商品推荐系统的模型评估与总结
在线直播：项目4 游戏推荐系统的整体流程和核心技能点
在线直播：项目5 猜你喜欢场景下的推荐系统整体流程和核心技能点
在线直播：项目6 Netflix推荐竞赛整体流程和核心技能点
BAT中的推荐场景主要是以召回和精排为主，在本项目中，我们在一个docker环境下真实的模拟一个推荐系统，模拟的推荐系统包括：如果获取数据、数据如何进入数据库、如何使用数据进行分析、如何建模、如果线上服务、以及如何进行AB Test。
在电商场景中，推荐系统作为电商核心功能之一，对用户体验的提升有重要作用。预测用户的兴趣，为其做出合理的推荐是工业界与学术界长久以来研究的课题。经典方法包括基于内容的推荐、协同过滤等，一定程度上完成了推荐系统的任务。近年来，随着图神经网络研究的兴起，基于深度学习的GNN(Graph Neural Network)在推荐领域也逐渐称为研究热点。电商场景中， 用户、商品，以及两者之间的行为可以用一张二部图来表示。预测用户未来的行为， 转化为预测二部图中用户-商品边的概率，有更好的可解释性、可推理性。
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。
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。
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。
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。
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。
在线直播： 六大项目的总结与就业辅导
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。
推荐算法、广告算法、营销算法专家。多年BAT工作经验，在推荐系统、计算广告系统架构的搭建、实时流计算，以及相关算法技巧和运筹优化方面有丰富的经验。
推荐和广告方向的技术专家，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。
大厂算法研发，竞赛圈ID鱼遇雨欲语与余，武汉大学硕士，大厂算法研发，阿里云天池数据科学家（24/66113）。2019和2020腾讯广告算法大赛冠军，在国内外竞赛中已获得五冠五亚一季的成绩。
为保护学员隐私利益，特隐晦部分敏感信息，且限于篇幅，只节选部分
“人算不如天算，2020年便开始了一场空前规模的疫情，导致三月份左右才开始大规模投简历找工作，根据自己找工作面试接近两个月以来主要有以下几点感悟：
1. 更侧重基础知识。
2. 侧重算法复现能力，代码能力要求更高。
3. 要求深刻理解业务场景，并针对业务场景解决一些问题。
4. 技能语言要求较多。”
“ 面试准备：
1. leetcode刷题，如动态规划、深度优先搜索等。
2. 七月在线的题库的推荐系统和nlp部分。
3. 常用机器学习算法推导，逻辑回归、xgboost、svm。
4. 大数据知识巩固，hdfs、hive、hbase、spark、kafka、kylin、flink等。
5. 论文研读，如YouTube、Airbnb推荐系统论文，FM、wide&deep、Deepfm等论文。”
“面试前准备：leetcode刷题1-2个月，7月在线上面试题库选择性做了一些。整理最近所做过的主要项目内容，梳理算法思路，将易错点记下来。上了七月在线推荐就业班4期。继续加强机器学习理论，复习经典算法，巩固加深理解，推荐看西瓜书。如果应聘推荐系统方向 同时最好看下推荐系统方面书籍 。”
完整面经>“还有机器学习，聚类、逻辑回归、线性回归、贝叶斯、决策树、神经网络，都需要明白原理，并用sklearn实现，最好可以用mllib也可以实现，需要知道什么情况下用什么模型，什么模型解决什么问题，最好能有实际建模经验。”
完整面经>“面试的题目我觉得都差不多，多刷7月在线的面试题，然后自己总结，多看面经。还有一定要多刷题，一定要对算法与数据结构特别熟悉，如果想进大厂的话，算法与数据结构要特别熟悉，题目多刷，什么动态规划、排列等常考的题。还有对时间复杂度、空间复杂度也要了解，我常常经历一道题，面试官要你做完了之后然后让你想还能怎么优化，从空间或者时间复杂度来想”
完整面经>“推荐项目一般会问有哪些评价指标。推荐系统一般有模型线下评价指标如召回率，准确率，覆盖率，AUC等等，线上看系统AB测试的点击率表现等。推荐系统的整个数据流程是如何处理的”
完整面经>“我觉得作为一个合格的算法工程师，首先要有扎实的基础功底，然后需要在一个方面有自己深度的理解，比如word2vec算法，知道怎么用，但也要知道他的内部原理和公式的一些推导，和在什么样的场景下使用”
完整面经>2020年10月12日开班，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。
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。
报名本就业班的步骤如下
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）。
提示：请用个人微信扫描，关注服务号后可提现红包到微信零钱。{{blessingTip}}
{{seconds}}s