零基礎開始推薦系統

「時至今日，推薦系統已然成了一門顯學，個性化推薦成了互聯網產品的標配。爲此，我知道，好學的你確定在收藏着朋友圈裏流傳的相關文章，轉發着微博上的相關討論話題，甚至還會不斷奔走在各類大小行業會議之間，聽着大廠職工們講那些乾貨。推薦系統從搜索引擎借鑑了很多技術和思想，好比內容推薦有很多技術就來自搜索引擎， 由 Amazon 發揚光大的，基於用戶（ User-based ）和基於物品（ Item-based ）的協同過濾將推薦系統技術從內容延伸到協同關係，超越了內容自己。」

這段話是摘抄自刑無刀的《推薦三十六式》，從這一段文字中你就能看出，推薦有不少技術是門外漢不瞭解，甚至沒據說過的，若是你是一個程序員，你知道什麼是"協同過濾"嗎？你知道推薦引擎分爲幾部分嗎？如今不少沙龍，大小會議着重討論的也是推薦系統中各類複雜算法或者整個系統架構，這對於剛剛入門的咱們學習起來門檻着實過高了（小紅我就是一箇中年油膩程序員大叔，作了10年coding，大家看到這必定會吐槽，你一箇中年油膩大叔叫他媽的什麼小紅，實話告訴大家哥們也是比較無奈的，由於另外一個小鮮肉博主叫了「小熊」，哥們我支能叫小紅了，這些是題外話），小紅博主都是從程序開發轉行到作數據挖據的，因此徹底能夠理解明白，如今那些有危機感的，亦或者想轉行作數據挖掘的大家的迷惑和迷茫，這也正是咱們要開這個博客的緣由。

如今機器學習培訓，深度學習培訓雖然沒有像JAVA，前端技術那樣多，但也已經比較廣泛。小紅我也經過各類渠道瞭解和學習了其中幾家知名培訓機構的課程，課程講的都挺好的，能夠說乾貨滿滿（像那種打着「數據挖掘」，「深度學習」這樣名頭教python的這樣的機構不在我們討論的範圍內啊），下面是一個培訓組織的課程安排

 

課程安排合理，從基礎的微積分開始講，由淺入深。相信您努力學習後必定會有收穫，可是也存在必定的問題。

問題1：若是你想作數據挖掘相關的工做，好比想之後往推薦，搜索，廣告方向發展的話，我就問一個問題，你學習的這些，「熵」，「聚類」這些算法如何在你的系統中使用？

問題2：機構培訓都教算法，理論，是否有機構講廣告，推薦架構麼，據我所知，好像沒有（若是有請下面留言，謝謝）

問題3：你的系統，已通過了基於內容推薦的話，之後如何搭建，下面往哪一個方向走，想了解業內比較前沿的技術和架構嗎？

問題4：如今公司面試理論面試已經不是最重要的了，以阿里2018年春季面試舉例，他們會問，

大家系統LR帶入的特徵是多少維的？帶入的是幾天的特徵？特徵數據規模是多少G或多少T？訓練時間多長？。

這些都是在培訓機構中沒法學習到的，若是你沒有作過相關工做瞎編你都編不出來。

 

本博客的面向人羣：

一、在校學生，之後想從事數據挖掘相關行業，特別是推薦，廣告，搜索行業；

二、有着一顆不甘於平凡躁動心的程序員（典型就像小紅同樣的老程序員），帶你入門讓你少走彎路。

博客之後保持一週一更，若是小紅和小熊一段時間比較忙的話，也儘可能兩週一更。

 

PS.

小熊博主提醒我，他是根正苗紅的數學專業出身，從事數據挖掘工做相關工做，如今在某一線大廠，不是半路出家。

 

轉載請註明——redbear博客