Part3:Spark Mllib推荐系统实践
1、推荐系统原理与架构解析
1.1 优酷推荐系统实践
1.2 爱奇艺推荐系统架构
2、推荐系统评价方法
3、推荐系统核心算法介绍
3.1 基于用户的推荐算法
3.2 基于物品的推荐算法
3.3 基于内容的推荐算法
3.4 ALS算法介绍
3.5 案例分析:快手短视频推荐算法实现
3.6 案例分析:阿里巴巴推荐系统实现
4. Spark 推荐系统实现
4.1 Spark 推荐系统类库介绍
4.2 Spark 推荐系统算法实现
4.2.1 协同过滤
4.2.1 用户相似度算法
4.2.3 物品相似度算法
5.课程小结
钱兴会
楚门智能数据学院创始人
Cloudera认证管理员及讲师
原阿里巴巴资深数据平台研发工程师,算法研发工程师
原联想集团电商数据平台资深架构师
8年大数据平台研发经验,咨询经验。为多家企业提供大数据咨询业务。涉及电信,银行,电力等多个行业。搭建大数据集群超过2000+节点
擅长Spark平台研发与优化,实时计算应用平台架构设计与研发。搭建过超200节点的Spark集群。
如果说云计算还有些忽悠概念之嫌,而以Spark为基础的大数据则显得更为脚踏实地一些。在互联网思维、互联网经济、移动互联、电子商务等新兴产业纷纷走上历史舞台的大背景下,越来越多的数据使得单纯扩展服务器硬盘容量、提升磁盘阵列性能等传统的存储数据的方式越来越不适应企业的实际需求,以Spark架构为代表的分布式计算平台也必然成为时代的新宠,大数据时代来临了,大数据分析行业也应运而生
从所周知,大数据已经不简简单单是数据大的事实了,而最重要的现实是对大数据进行分析,只有通过分析才能获取很多智能的,深入的,有价值的信息。那么越来越多的应用涉及到大数据,而这些大数据的属性,包括数量,速度,多样性等等都是呈
相关链接:
https://edu.csdn.net/huiyiCourse/detail/723?utm_source=edu_bbs_autocreate