【面向工业界】推荐算法工程师培养计划

原标题：【面向工业界】推荐算法工程师培养计划

由于近些年深度学习技术的飞速发展，大力加速推动了AI在互联网以及传统各个行业的商业化落地，尤其是推荐系统、计算广告等领域。由于推荐系统与提升用户量以及商业化变现有着密不可分的联系，各大公司都放出了众多推荐系统相关职位，且薪水不菲，目前发展势头迅猛。

大多数欲从事推荐系统相关工作的同学，往往都是通过自学的方式来进行学习，但是这样很明显的问题是：

1. 虽然学习了解了很多推荐算法模型，如：协同过滤、FM、DeepFM等，但是却不清楚这些模型在工业界推荐系统中是如何串联、如何配合、有哪些坑，哪些trick的，导致无论面试还是真正去业界做推荐系统，都会被推荐领域的”老枪老炮“们一眼识别出小白属性。

2. 对于算法原理理解不深刻，这就会导致实际应用时不能很好地将模型的性能发挥出来，另外面试时对于大厂面试官的刨根问底，只能是眼睁睁的丢掉offer。

CF、FM、DSSM、DeepFM等这些推荐业界明星模型，你真的清楚他们的内部运行原理以及使用场景吗？真的了解FM模型与SVM有什么相似之处吗？FM固然可以用作为打分模型，但它可以用来做matching吗，如果可以，如何做？item2Vec模型在业界是如何缓解冷启动的问题的？双塔模型优势在哪？深度模型到底是如何做matching的，是离线计算好结果还是实时的对网络进行前向计算？DeepFM具体实现时，wide端和deep端的优化方式是一样的吗？基于Graph的推荐方法在业界的应用目前是怎样的？

为了真正全面系统的培养面向工业界的推荐系统人才，贪心学院推出了《推荐系统工程师培养计划3期》，在前两期的基础上做了全面升级，深度探索推荐系统算法知识，并落地实操工业级项目，由资深的推荐系统负责人全程直播讲解，帮助你融会贯通，轻松拿offer。

推荐系统工程师培养计划

助你成为 行业TOP10%的工程师

对课程有意向的同学

01 课程大纲

第一部分：推荐系统之内容理解与画像构建

Week1 机器学习基础逻辑回归模型梯度下降法神经网络模型过拟合与正则常用的评价指标常用的优化算法向量、矩阵基础	Week2 推荐系统基础推荐系统概述、架构设计推荐系统后台数据流设计常用的技术栈推荐系统中的评价指标简单的用户协同环境搭建
Week3 内容画像的构建以及NLP技术内容画像的搭建基础关键词提取技术tf-idf, textRankLSTM与注意力机制Attention的几种常用方式Self-AttentionMulti-head Attention双线性AttentionNLP工具的使用MySQL数据库的搭建与内容画像存储	Week4 用户画像的构建用户画像与内容画像的关系用户画像的架构用户画像的扩展用户画像与排序特征用途：基于标签的用户画像标签权重的计算方法（贝叶斯平滑、时间衰减）基于用户画像的召回方法Redis的搭建与使用基于Redis的用户画像存储Hadoop, Hive, Spark等工具使用