【6928】-基于大数据技术推荐系统算法案例实战教程
01基于大数据技术推荐系统算法案例实战视频教
1.01大数据应用案例.mp4
02炼数成金推荐系统
1.02_大数据技术框架.mp4
1.03_推荐系统的技术栈.mp4
1.04_课程的基础要求和安排.mp4
2.01_ _什么是推荐系统（处理） .mp4
3.01_推荐系统的设计（1）.mp4
3.01_推荐系统的设计.mp4
3.02_用户界面的重要性（1）.mp4
3.02_用户界面的重要性.mp4
4.01_什么是lambda架构.mp4
4.02_ Lambda架构之批处理层.mp4
4.03_ _Lambda架构之实时处理层.mp4
4.04_ Lambda架构之服务层.mp4
5.01_什么是用户画像.mp4
5.02_用户画像的数学描述.mp4
5.03_用户画像系统流程.mp4
5.04_用户画像系统架构.mp4
5.05_用户标签使用案例.mp4
5.06_算法和模型的评价.mp4
5.07_ SparkML代码实现.mp4
5.08_代码实例1之模型训练及参数设置实践.mp4
5.09代码实例1之参数设置及模型测试实践.mp4
5.10_代码实例2之使用管道.mp4
5.11_代码实例2之使用管道-实践.mp4
5.12_代码实例3之模型调优.mp4
5.13_代码示例3之模型调优-实践.mp4
5.14_代码示例4之模型调优-实践.mp4
5.15_用户画像系統应用.mp4
6.01_推荐模型构建流程.mp4
6.02_推荐算法概述.mp4
6.03_基于协同过滤的推荐算法.mp4
6.04_相似度的计算.mp4
6.05_基于模型的方法mp4
6.06_协同过滤的实现.mp4
6.07_推荐系统冷启动问题.mp4
6.08_推荐案例实践准备.mp4
6.09_推荐案例IDE环境配置实践.mp4
07.01_ Mahout概述.mp4
07.02_ Mahout推荐系统组件.mp4
07.03_ Mahout推荐 系统评估.mp4
07.04_ Mahou开发环境部署实践.mp4
07.05_ Mahout推荐实例1之偏好数组-实践.mp4
07.06_ Mahout推荐 实例2.之数据模型实践.mp4
07.07_ Mahout推荐实例3之构建模型-实践.mp4
07.08_ Mahout推荐实例4之模型评估1-实践.mp4
07.09_ Mahout推荐实例5之模型评估2-实践.mp4
07.10_ Mahout推荐实例6之电影推荐1-实践.mp4
07.11_ Mahout推荐 实例6之电影推荐2实践.mp4
07.12_ Mahout推荐实例6之电影推荐3-实践.mp4
07.13_ Mahout推荐 实例7之图书推荐1-实践.mp4
07.14_ Mahout推荐实例7之图书推荐2：实践.mp4
07.15_ Mahout推荐 实例7之图书推荐3实践.mp4
07.16_ Mahout推荐系统实战实践.mp4
8.01_ Mahout推荐实战补充实践.mp4
8.02_ Spark MLib概述.mp4
8.03_ MLib推荐算法介绍.mp4
8.04_ MLib推荐算法实战.mp4
8.05_ MLib推荐实例之定义解析函数-实践.mp4
8.06_ MLib推荐实例之探索DataFrame_实践.mp4
8.07_ MLib推荐实例之AL .S模型推荐实践.mp4
8.08_ MLib推荐实例之模型评估-实践.mp4
8.09_推荐实战之开发环境准备实践.mp4
8.10_推荐实战之实现用户评分函数实践.mp4
8.11.mp4
8.12推荐实战之参数设置及数据加裁实践.mp4
8.13_推荐实战之用户调查及数据拆分实践.mp4
8.14_推荐实战之模型训练及评估-实践.mp4
8.15_推荐实战之个性化推荐实践.mp4
8.16_推荐实战之测试部署_实践.mp4
9.01_推荐系统与Lambda架构.mp4
9.02_推荐系统数据收集背景.mp4
9.03_ FlumeNG数据收集系统.mp4
9.04_ Web日志数据采集Flume部署配置实践.mp4
9.05_ Web日志数据采集Flume运行测试实践.mp4
9.06_ Sqoop数据收集工具.mp4
9.07_ Sqoop收集账户数据实践.mp4
9.08_ HDFS数据存储系统.mp4
9.09_ _上传知识库文档到HDFS.mp4
9.10_ HBase数据库存储系统.mp4
9.11_加载并访问Hbase的评分数据实践.mp4
9.12_推荐系统综合实战mp4
9.13_推荐系统离线层实现-实践.mp4
9.14_推荐系统服务层实现-实践.mp4
9.15_推荐系统实时层实现-实践.mp4
课件文档代码.rar
1.推荐系统概述
2.最流行的推荐系统：itemCF和userCF
3.大数据环境下的itemCF实现
4.基于频繁模式的推荐系统，套餐设计
5.文本挖掘与标签系统6.基于内容的推荐系统
7.社交网络好友推荐，图算法，在图数据库Neo4j.上的实现
8.用Cypher语言实现好友推荐
9.实时推荐系统
参考资料
