主题
|
内容
|
第一课:互联网大数据与机器学习之大数据知识原理篇
|
1.什么是大数据以及大数据应用场景是什么; 2.大数据平台如何驱动业务持续增长; 3.大数据平台发展三个阶段是什么(What->Why->How); 4.大数据平台发展阶段一(What):是什么,快速描述业务,提供数据原材料; 5.大数据平台发展阶段二(Why):为什么,分析波动 root cause; 6.大数据平台发展阶段三(How):怎么做,数据化运营实践落地;
|
第二课:互联网大数据与机器学习之大数据总体架构篇
|
1.为什么要构建大数据平台; 2.大数据平台构建的目标与方案是什么; 3.大数据仓库如何建设(数据接入清洗/数据仓库表设计与ETL); 4.大数据平台化与产品化建设(ODS->DW->DM->APP); 5.大数据指标体系化、分析框架设计; 6.大数据平台建设的重难点实践; 7.我们的实践案例;
|
第三课:互联网大数据与机器学习之机器学习知识原理篇
|
1.机器学习是什么; 2.机器学习与人工智能、深度学习关系; 3.机器学习应用场景是什么; 4.机器学习分类; 5.机器学习评估指标; 6.机器学习常用数学知识;
|
第四课:互联网大数据与机器学习之机器学习算法篇
|
1.机器学习算法分类方法; 2.机器学习之监督学习算法(Nave Bayes、LR、GBDT、FM、FFM、DeepFM、FTRL、Deep & Wide等); 3.机器学习之无监督学习算法(K-Means、PCA、LDA等); 4.我们的实践案例;
|
第五课:互联网大数据与机器学习之机器学习流程篇
|
1.样本如何抽取; 2.如何做特征工程(特征提取,特征离散化,特征交叉等); 3.如何大规模高效离线训练模型(训练集、测试集、验证集/评估指标AUC、ABTest 等); 4.模型上线; 5.特征上线; 6.我们的实践案例;
|
第六课:互联网大数据与机器学习之机器学习平台发展篇
|
1.机器学习平台之小作坊生产模式; 2.机器学习平台之流水线生产模式; 3.机器学习平台之大规模机器学习模式; 4.机器学习平台之大规模深度学习模式; 5.我们实践案例;
|
第七课:互联网大数据与机器学习之机器学习关键技术篇
|
1.用户画像系统; 2.系统冷启动; 3.评测指标与系统; 4.ABTest平台; 5.我们的实践案例;
|
第八课:互联网大数据与机器学习之语言工具篇
|
1.Python与Scala如何选择; 2.Spark使用及其性能优化; 3.Hadoop使用及其使用优化; 4.Redis使用及其使用优化; 5.Elasticsearch使用及其使用优化; 6.我们实践案例;
|
第九课:互联网大数据与机器学习之机器学习案例篇(推荐系统线上工程架构设计与实践)
|
1.互联网大型系统架构演进(单体、水平分层、SOA、微服务架构); 2.推荐系统架构演进(石器时代、铁器时代、蒸汽时代); 3.我们的实践案例;
|
第十课:互联网大数据与机器学习之机器学习案例篇(推荐系统离线工程架构实践)
|
1.离线训练作坊模式(单机); 2.离线训练流水线模式(ODS、DW、DM、分布式训练、线上预测等/DataPipeline、T raining Pipeline、Model Serving); 3.离线训练平台化模式(服务众多业务线,每个业务线一键接入); 4.在线特征系统生产调度架构演进; 5.我们的实践案例;
|
第十一课:互联网大数据与机器学习之机器学习案例篇(推荐系统召回算法设计与实践)
|
1.商品主题模型; 2.商品物品词模型; 3.基于内容商品相似度模型; 4.基于用户行为的CF模型演进; 5.基于随机游走模型; 6.实时召回模型; 7.我们的实践案例;
|
第十二课:互联网大数据与机器学习之机器学习案例篇(推荐系统排序算法设计与实践)
|
1.Al l In One阶段; 2.分层排序阶段; 3.人工权重阶段; 4.机器学习模型阶段; 5.实时模型阶段; 6.我们的实践案例;
|
第十三课:互联网大数据与机器学习之机器学习案例篇(搜索系统工程以及召回排序算法设计与实践)
|
1.搜索系统工程架构演进; 2.搜索系统召回算法演进; 3.搜索系统排序算法演进; 4.我们的实践案例;
|