┣━mksz297 – BAT大牛亲授–个性化推荐算法实战
┣━第4章 基于深度学习的个性化召回算法item2vec
┣━4-5 word2vec运行参数介绍与item embedding.mp4
┣━4-2 item2vec依赖模型word2vec之cbow数学原理介绍.mp4
┣━4-1 item2vec算法的背景与物理意义.mp4
┣━4-6 基于item bedding产出物品相似度矩阵与item2vec推荐流程梳理.mp4
┣━4-3 item2vec依赖模型word2vec之skip gram数学原理介绍.mp4
┣━4-4 代码生成item2vec模型所需训练数据.mp4
┣━第5章 基于内容的推荐方法content based
┣━5-2 content based算法代码实战之工具函数的书写.mp4
┣━5-3 用户刻画与基于内容推荐的代码实战。.mp4
┣━5-1 content based算法理论知识介绍.mp4
┣━第1章 个性化推荐算法综述
┣━1-2 个性化召回算法综述.mp4
┣━1-1 个性化推荐算法综述.mp4
┣━第7章 综述学习排序
┣━7-1 学习排序综述.mp4
┣━第6章 个性化召回算法总结与回顾
┣━6-1 个性化召回算法总结与评估方法的介绍。.mp4
┣━第2章 基于邻域的个性化召回算法LFM
┣━2-2 LFM算法的理论基础与公式推导.mp4
┣━2-4 LFM算法训练数据抽取.mp4
┣━2-1 LFM算法综述.mp4
┣━2-6 基于LFM的用户个性化推荐与推荐结果分析.mp4
┣━2-5 LFM模型训练.mp4
┣━2-3 基础工具函数的代码书写.mp4
┣━第9章 浅层排序模型gbdt
┣━9-8 模型在测试数据集表现 上.mp4
┣━9-7 代码训练gbdt与LR混合模型.mp4
┣━9-5 代码训练gbdt模型.mp4
┣━9-6 gbdt模型最优参数选择.mp4
┣━9-2 梯度提升树的数学原理与构建流程.mp4
┣━9-3 xgboost数学原理介绍.mp4
┣━9-4 gbdt与LR混合模型网络介绍.mp4
┣━9-9 模型在测试数据集表现 下.mp4
┣━9-1 背景知识介绍之决策树.mp4
┣━第8章 浅层排序模型逻辑回归
┣━8-2 逻辑回归模型的数学原理.mp4
┣━8-5 代码实战LR之离散特征处理.mp4
┣━8-10 LR模型训练之组合特征介绍.mp4
┣━8-9 LR模型在测试数据集上表现-下.mp4
┣━8-7 LR模型的训练.mp4
┣━8-3 样本选择与特征选择相关知识.mp4
┣━8-1 逻辑回归模型的背景知识介绍.mp4
┣━8-6 代码实战LR之连续特征处理.mp4
┣━8-4 代码实战LR之样本选择.mp4
┣━8-8 LR模型在测试数据集上表现-上.mp4
┣━第3章 基于图的个性化推荐召回算法personal rank
┣━3-4 代码实战personal rank算法的基础版本.mp4
┣━3-5 代码实战personal rank算法矩阵版本上.mp4
┣━3-7 代码实战personal rank算法的矩阵版本下-2.mp4
┣━3-6 代码实战personal rank算法的矩阵版本下 -1.mp4
┣━3-3 代码构建用户物品二分图.mp4
┣━3-2 personal rank 算法的数学公式推导.mp4
┣━3-1 personal rank算法的背景与物理意义.mp4
┣━资料
┣━代码资料.zip