课程来自王喆的深度学习推荐系统实战，带你从0到1搭建工业级推荐系统。近年来，深度学习已成为了驱动推荐、广告、搜索业务的最强引擎。天猫每次双十一2000亿以上的惊人成交量，抖音4年时间用户日活破6亿，这背后都有深度学习的强劲助力。
与之伴随的是人才的高竞争和知识的快迭代，在深度学习时代，想要成为一名优秀的推荐工程师，我们不应该只满足于继续使用协同过滤、矩阵分解这类传统方法，而应该加深对深度学习模型的理解，加强对大数据平台的熟悉程度，培养与业务相结合的技术直觉，提高我们整体的技术格局，这些才是我们能否取得成功的关键。
针对上面的目标，王喆老师根据自己多年的推荐系统从业经验，梳理出了深度学习推荐系统的知识架构，并期望在这门课中和你一起从0搭建一个“工业级”的深度学习推荐系统，实现理论、实战两手抓！
你将获得：
1.深度学习推荐系统的经典技术架构
2.Spark、TensorFlow、Flink等主流工具的实践经验
3.Embedding和多种深度推荐模型的原理和实现
4.亲手搭建一个完整的深度学习推荐系统
课程目录：
01-深度学习推荐系统的经典技术架构长啥样？
02-SparrowRecSys：我们要实现什么样的推荐系统？
03-深度学习基础：你打牢深度学习知识的地基了吗？
04-特征工程：推荐系统有哪些可供利用的特征？
05-特征处理：如何利用Spark解决特征处理问题？
06-Embedding：所有人都在谈的Embedding技术到底是什么？
07-Embedding进阶：如何利用图结构数据生成GraphEmbedding？
08-Embedding实战：如何使用Spark生成Item2vec和GraphEmbedding？
09-线上服务：如何在线上提供高并发的推荐服务？
10-存储模块：如何用Redis解决推荐系统特征的存储问题？
11-召回层：如何快速又准确地筛选掉不相关物品？
12-局部敏感哈希：如何在常数时间内搜索Embedding最近邻？
13-模型服务：怎样把你的离线模型部署到线上？
14-融会贯通：SparrowRecSys中的电影相似推荐功能是如何实现的？
15-协同过滤：最经典的推荐模型，我们应该掌握什么？
16-深度学习革命：深度学习推荐模型发展的整体脉络是怎样的？
17-Embedding-MLP：如何用TensorFlow实现经典的深度学习模型？
18-Wide&Deep：怎样让你的模型既有想象力又有记忆力？
19-NeuralCF：如何用深度学习改造协同过滤？
20-DeepFM：如何让你的模型更好地处理特征交叉？
21-注意力机制、兴趣演化：推荐系统如何抓住用户的心？
22-强化学习：让推荐系统像智能机器人一样自主学习
23-实战：如何用深度学习模型实现SparrowRecSys的个性化推荐功能？
24-离线评估：常用的推荐系统离线评估方法有哪些？
25-评估指标：我们可以用哪些指标来衡量模型的好坏？
26-在线测试：如何在推荐服务器内部实现AB测试？
27-评估体系：如何解决AB测试资源紧张的窘境？
28-业界经典：YouTube深度学习推荐系统的经典架构长什么样？
29-图神经网络：Pinterest是如何应用图神经网络的？
30-流处理平台：Flink是如何快速识别用户兴趣，实现实时推荐的？
31-模型迭代：阿里巴巴是如何迭代更新推荐模型的？
32-强化学习案例：美团是如何在推荐系统中落地强化学习的？
33-技术权衡：解决方案这么多，哪个最合适？
国庆策划-关于深度学习推荐系统，我有这些资料想推荐给你
国庆策划-深度学习推荐系统基础，你掌握了多少？
开篇词-从0开始搭建一个深度学习推荐系统
期末考试-“深度学习推荐系统”100分试卷等你来挑战！
模型实战准备（一）-TensorFlow入门和环境配置
模型实战准备（二）-模型特征、训练样本的处理
特别加餐-TensorFlow的模型离线评估实践怎么做？
特别加餐-“银弹”不可靠，最优的模型结构该怎么找？
答疑-基础架构篇-特征工程篇常见问题解答
答疑-线上服务篇留言问题详解
简介
结束语-深度学习时代需要什么样的推荐工程师？
