人工智能深度学习系统班6期 27 推荐系统实战系列
- 01 推荐系统介绍及其应用
- 01 1-推荐系统通俗解读
- 02 2-推荐系统发展简介
- 03 3-应用领域与多方位评估指标
- 04 4-任务流程与挑战概述
- 05 5-常用技术点分析
- 06 6-与深度学习的结合
- 02 协同过滤与矩阵分解
- 01 1-协同过滤与矩阵分解简介
- 02 2-基于用户与商品的协同过滤
- 03 3-相似度计算与推荐实例
- 04 4-矩阵分解的目的与效果
- 05 5-矩阵分解中的隐向量
- 06 6-目标函数简介
- 07 7-隐式情况分析
- 08 8-Embedding的作用
- 03 音乐推荐系统实战
- 01 1-音乐推荐任务概述
- 02 2-数据集整合
- 03 3-基于物品的协同过滤
- 04 4-物品相似度计算与推荐
- 05 5-SVD矩阵分解
- 06 6-基于矩阵分解的音乐推荐
- 04 知识图谱与Neo4j数据库实例
- 01 1-知识图谱通俗解读
- 02 2-知识图谱在搜索引擎中的应用
- 03 3-知识图谱在医疗领域应用实例
- 04 4-金融与推荐领域的应用
- 05 5-数据获取分析
- 06 1-Neo4j图数据库介绍
- 07 2-Neo4j数据库安装流程演示
- 08 3-可视化例子演示
- 09 4-创建与删除操作演示
- 10 5-数据库更改查询操作演示
- 05 基于知识图谱的电影推荐实战
- 01 1-知识图谱推荐系统效果演示
- 02 2-kaggle电影数据集下载与配置
- 03 3-图谱需求与任务流程解读
- 04 4-项目所需环境配置安装
- 05 5-构建用户电影知识图谱
- 06 6-图谱查询与匹配操作
- 07 7-相似度计算与推荐引擎构建
- 06 点击率估计FM与DeepFM算法
- 01 1-CTR估计及其经典方法概述
- 02 2-高维特征带来的问题
- 03 3-二项式特征的作用与挑战
- 04 4-二阶公式推导与化简
- 05 5-FM算法解析
- 06 6-DeepFm整体架构解读
- 07 7-输入层所需数据样例
- 08 8-Embedding层的作用与总结
- 07 DeepFM算法实战
- 01 1-数据集介绍与环境配置
- 02 2-广告点击数据预处理实例
- 03 3-数据处理模块Embedding层
- 04 4-Index与Value数据制作
- 05 5-一阶权重参数设计
- 06 6-二阶特征构建方法
- 07 7-特征组合方法实例分析
- 08 8-完成FM模块计算
- 09 9-DNN模块与训练过程
- 08 推荐系统常用工具包演示
- 01 1-环境配置与数据集介绍
- 02 2-电影数据集预处理分析
- 03 3-surprise工具包基本使用
- 04 4-模型测试集结果
- 05 5-评估指标概述
- 09 基于文本数据的推荐实例
- 01 1-数据与环境配置介绍
- 02 2-数据科学相关数据介绍
- 03 3-文本数据预处理
- 04 4-TFIDF构建特征矩阵
- 05 5-矩阵分解演示
- 06 6-LDA主题模型效果演示
- 07 7-推荐结果分析
- 10 基本统计分析的电影推荐
- 01 1-电影数据与环境配置
- 02 2-数据与关键词信息展示
- 03 3-关键词云与直方图展示
- 04 4-特征可视化
- 05 5-数据清洗概述
- 06 6-缺失值填充方法
- 07 7-推荐引擎构造
- 08 8-数据特征构造
- 09 9-得出推荐结果
- 11 补充-基于相似度的酒店推荐系统
- 01 1-酒店数据与任务介绍
- 02 2-文本词频统计
- 03 3-ngram结果可视化展示
- 04 4-文本清洗
- 05 5-相似度计算
- 06 6-得出推荐结果