课程介绍

注意0：欲购买此课程，获取安全购买链接，索要正版授权学习平台账号，务必加咨询QQ：2536379620
注意1：由于编码原因，试听课程视频画面清晰度不如最终购买的视频。最终购买视频的画面清晰度可参见以下两张图。图1   图2
注意2：正版良心视频，购买后有机会和原作者直接短暂技术交流。
    
注意3：感觉课程太难？没有信心？还在犹豫自己学的会学不会？我们的师傅带徒弟模式（5倍下单）会给您信心。我们承诺，商品详情，教学大纲，视频内容，所涉及技术，可获得原创作者老师微信或QQ和针对视频范围的精心指导。线上一对一师带徒辅导问答，针对视频内代码调试，使命必达，视频之外相关技术内容，行业内信息人脉，企业内推(如有)，原创作者老师会竭诚帮助。

以上所示价格，只能自行学习视频和获取少量解答。师傅带徒弟课程（5倍下单左右，可以先和客服联系，可获得老师的联系方法和针对视频范围的精心指导。线上一对一师带徒辅导问答，针对视频内代码调试，使命必达。）
     

大数据高级工程师课程体系
经受3年的市场检验
内容持续更新
系统学习大数据技术

为什么学习大数据技术？
随着社会的发展，各行各业能收集到的数据越来越多，需要处理数据量也是越来越大，因此，各行各业与大数据技术的结合势在必行！
人们都知道云计算、人工智能、区块链是未来的趋势但是你知道它们三者的基础还是大数据技术吗？

课程大纲

01
推荐系统算法讲解

推荐系统概述(20分钟)

基于内容的推荐算法(11分钟)

CF和核心概念(10分钟)

User-Based_CF和Item-Based_CF(11分钟)

相似度计算(15分钟)

隐语义模型(20分钟)

正则化(9分钟)
02
Spark中的推荐算法的实现

Spark支持的推荐算法(6分钟)

交替最小二乘算法讲解(11分钟)

隐式模型vs显示模型(6分钟)

数据集准备(19分钟)

数据解析(26分钟)

构建第一个模型(31分钟)

模型评估(40分钟)

选择合理的超参数(10分钟)

基于最佳参数的推荐(8分钟)

显式类型数据的推荐的实现(16分钟)
03
Spark中的推荐算法的实现

交叉验证(11分钟)

冷启动问题(6分钟)

Spark中mllib中的ALS的使用(22分钟)

Spark中的ml包和mllib包(6分钟)

mllib中的ALS推荐的接口(4分钟)
04
基于Lambda架构的推荐系统介绍

基于Lambda架构的推荐系统的内容(3分钟)

机器学习的七大步骤(6分钟)

生产上的推荐系统(31分钟)
05
Lambda架构的代码落地实现

Lambda架构的讲解(13分钟)

项目代码结构讲解(22分钟)

PMML(17分钟)

配置讲解(19分钟)

packed矩阵和unpacked矩阵(16分钟)

数学相关的工具方法(23分钟)

其他工具方法(22分钟)

kafak-util(16分钟)
06
Lambda架构的代码落地实现

抽象BatchLayer需要做的事情(10分钟)

抽象SpeedLayer需要做的事情(16分钟)

抽象ServingLayer需要做的事情(10分钟)

构建RestFul WebService(36分钟)

ServingLaryer实现(20分钟)

Java写Spark代码的补充说明(4分钟)

BatchLayer和SpeedLayer公用的功能的抽象(14分钟)

BatchLayer功能流程的实现(14分钟)

BatchLayer模型更新流程流程实现(17分钟)

BatchLayer保存原始数据到HDFS(12分钟)
07
Lambda架构的代码落地实现

保存消费的offsets信息防止丢数据(7分钟)

BatchLayer删除指定时间段外的数据(4分钟)

SpeedLayer实现(15分钟)

Example APP的业务讲解(21分钟)

Example APP实现(26分钟)

Example APP配置讲解(15分钟)

deploy部署讲解(8分钟)

Example APP部署一(17分钟)

Example APP部署二(27分钟)

执行脚本的说明(13分钟)
08
基于Lambda架构的推荐系统(BatchLayer)

BatchLayer-超参数组合的自动选择(36分钟)

基于Lambda架构的机器学习的抽象一(25分钟)

基于Lambda架构的机器学习的抽象二(18分钟)

ALS模型实现超参数的解析(9分钟)

ALS实现构建模型(29分钟)

ALS实现模型评估(12分钟)

ALS实现将特征矩阵发送到Kafka(10分钟)

实现推荐代码的串接(12分钟)
09
基于Lambda架构的推荐系统(SpeedLayer)

代码实现表达特征矩阵(38分钟)

Ax=b求解器管理(13分钟)

ALSSpeedModel讲解(16分钟)

ALSSpeedLayer消费ALSUpdate的模型数据(17分钟)

实时推荐实现(16分钟)

实时近似计算新的特征向量(30分钟)
10
基于Lambda架构的推荐系统(SeringLayer)

ServingModel的实现(14分钟)

推荐restFul服务的实现(30分钟)

推荐系统的配置(12分钟)