人工精选Python数据分析行业案例课程--推荐系统
先判断:这门课值不值得学 如果你平时的工作只是用 Excel 做透视表,或者刚学完 Python 基础语法,正卡在不知道怎么把代码用到实际业务里,那这门聚焦推荐系统的课值得看。它解决的核心场景很明确:面对一堆用户行为日志,怎么用 Python 算出谁和谁兴趣相近、该给谁推什么内容。这类需求在电商、内
会员 · 按档位
游客按标价购买,不享受上表折扣。
支付成功后自动发放网盘链接,链接失效可找客服免费补
先判断:这门课值不值得学
如果你平时的工作只是用 Excel 做透视表,或者刚学完 Python 基础语法,正卡在不知道怎么把代码用到实际业务里,那这门聚焦推荐系统的课值得看。它解决的核心场景很明确:面对一堆用户行为日志,怎么用 Python 算出谁和谁兴趣相近、该给谁推什么内容。这类需求在电商、内容平台、广告运营的日常分析里很常见,但很多泛泛而谈的数据分析课不会深入讲。课程不是带你跑通一个现成的开源框架,而是从相似度指标、基础模型、评估准确率这些底层逻辑讲起,帮你把推荐算法的来龙去脉弄清楚。如果你指望学完就能直接去大厂做算法工程师,那不现实;但如果你是运营、产品或想转行做数据分析的人,想补齐推荐业务这块的代码实操能力,它是个很务实的切入点。
资料怎么用:先看哪几块,怎么配合练习
这套资料不适合完全没写过代码的纯小白,你需要对 Python 的基本数据结构和常用库有概念,否则到相似度计算和模型部分会觉得吃力。建议的观看顺序是:先看概述部分,把推荐系统的常见形式、算法基本思路、评测三大步骤这三块吃透,这是后面所有代码的地基,别跳过。接着重点看相似度指标和基础模型,这部分会决定你能不能自己动手算。资料里配有案例数据,务必跟着课程同步下载、自己跑一遍,不要只用眼睛看视频。正确的用法是:看完一个指标讲解,就在本地用课程给的数据复现一次,改改参数看结果变化,这样学完才不会一合上资料就忘。
学完能独立做什么
把这套资料啃完,你能独立完成一个轻量级的推荐逻辑搭建:拿到一份用户行为数据后,知道该选哪种相似度去衡量用户或物品的关联,能用 Python 写出基础的计算脚本,并且知道用准确率等指标去评估自己的推荐结果到底行不行。这意味着在工作中,如果业务方问能不能给一批用户做个简单的内容推荐,或者运营想看哪些商品具有相近的受众群体,你不用再去等算法组排期,自己就能拉数据、写代码、出一份能落地的分析结果。这比单纯会画图表的数据分析多了一层算法思维,也是很多普通分析岗往深了走的关键一步。
课程目录
课程目录67 集
- 1-1 [推荐系统概述(上)] 课程内容介绍 (10:45).mp4
- 1-2 [推荐系统概述(上)] 为什么会出现推荐系统? (19:48).mp4
- 1-3 [推荐系统概述(上)] 推荐系统的常见形式 (12:18).mp4
- 1-4 [推荐系统概述(上)] 推荐系统算法的基本思路 (18:15).mp4
- 1-5 [推荐系统概述(上)] 推荐系统评测的三大步骤 (11:06).mp4
- 1-6 [推荐系统概述(上)] 怎样才能算一个好的推荐系统? (11:50).mp4
- 1-7 [推荐系统概述(上)] 推荐系统的评估:准确率 (14:05).mp4
- 1-8 [推荐系统概述(上)] 推荐系统的评估:其余指标 (12:04).mp4
- 1-9 [推荐系统概述(上)] 本课程案例数据及文档下载 (10).mp4
- 2-1 [推荐系统概述(下)] 推荐系统常用的相似度指标 (10:07).mp4
- 2-2 [推荐系统概述(下)] 推荐系统中的一些基础模型 (12:26).mp4
- 2-3 [推荐系统概述(下)] 电影评分数据集简介 (07:54).mp4
- 2-4 [推荐系统概述(下)] 云音乐数据集简介 (20:50).mp4
- 2-5 [推荐系统概述(下)] 云音乐数据集的预处理 (11:14).mp4
- 3-1 [Suprise包使用入门] Surpise包简介 (07:03).mp4
- 3-2 [Suprise包使用入门] Surpise包实战:读取数据 (10:11).mp4
- 3-3 [Suprise包使用入门] Surpise包实战:数据拆分 (08:41).mp4
- 3-4 [Suprise包使用入门] Surpise包实战:模型的拟合与评估 (14:30).mp4
- 3-5 [Suprise包使用入门] Surpise包实战:将结果用于推荐 (11:36).mp4
- 4-1 [协同过滤] 协同过滤概述 (17:57).mp4
- 4-2 [协同过滤] ItemCF方法 (10:55).mp4
- 4-3 [协同过滤] UserCF方法 (11:07).mp4
- 4-4 [协同过滤] 【复习】KNN的基本原理 (13:51).mp4
- 4-5 [协同过滤] ML100k案例:筛选算法框架 (13:19).mp4
- 4-6 [协同过滤] ML100k案例:模型参数调优 (10:40).mp4
- 4-7 [协同过滤] ML100k案例:将结果用于推荐 (11:43).mp4
- 5-1 [矩阵分解] 【复习】主成分分析的基本原理 (17:30).mp4
- 5-2 [矩阵分解] SVD的基本原理 (09:56).mp4
- 5-3 [矩阵分解] 如何将SVD用于推荐系统 (17:19).mp4
- 5-4 [矩阵分解] SVD++与NMF简介 (05:41).mp4
- 5-5 [矩阵分解] ML1m案例 (15:09).mp4
- 6-1 [基于内容的推荐算法] CB类方法的基本原理 (17:04).mp4
- 6-2 [基于内容的推荐算法] 【复习】词袋模型 (07:33).mp4
- 6-3 [基于内容的推荐算法] 【复习】用sklearn生成文档-词条矩阵 (11:41).mp4
- 6-4 [基于内容的推荐算法] ML案例:基于词频矩阵实现 (12:44).mp4
- 6-5 [基于内容的推荐算法] 【复习】关键词提取的基本思路 (06:43).mp4
- 6-6 [基于内容的推荐算法] 【复习】TF-IDF算法 (05:53).mp4
- 6-7 [基于内容的推荐算法] ML案例:基于TF-IDF实现 (08:52).mp4
- 7-1 [结合文本挖掘进行推荐] 如何将文本挖掘技术和内容推荐相结合 (07:40).mp4
- 7-2 [结合文本挖掘进行推荐] 【复习】分词原理简介 (08:02).mp4
- 7-3 [结合文本挖掘进行推荐] 【复习】结巴分词的基本用法 (06:38).mp4
- 7-4 [结合文本挖掘进行推荐] 【复习】使用自定义词典和搜狗细胞词库 (09:55).mp4
- 7-5 [结合文本挖掘进行推荐] 【复习】去除停用词 (11:07).mp4
- 7-6 [结合文本挖掘进行推荐] 云音乐案例:基于词袋模型进行推荐 (09:34).mp4
- 7-7 [结合文本挖掘进行推荐] 【复习】从词袋模型到N-gram模型 (06:50).mp4
- 7-8 [结合文本挖掘进行推荐] 【复习】文本信息的分布式表示 (09:51).mp4
- 7-9 [结合文本挖掘进行推荐] 【复习】共现矩阵 (05:56).mp4
- 7-10 [结合文本挖掘进行推荐] 【复习】NNLM模型的突破 (05:19).mp4
- 7-11 [结合文本挖掘进行推荐] 【复习】word2vec一出,满座皆惊 (15:17).mp4
- 7-12 [结合文本挖掘进行推荐] 【复习】文档相似度的doc2vec实现 (09:55).mp4
- 7-13 [结合文本挖掘进行推荐] 云音乐案例:基于词向量模型进行推荐 (07:02).mp4
- 8-1 [基于列表序列进行推荐] 如何基于列表序列进行推荐 (10:29).mp4
- 8-2 [基于列表序列进行推荐] 【复习】关联分析的数据格式与结果格式 (14:58).mp4
- 8-3 [基于列表序列进行推荐] 【复习】Apriori算法的原理与实现 (15:59).mp4
- 8-4 [基于列表序列进行推荐] 云音乐案例:基于关联分析进行推荐 (09:07).mp4
- 8-5 [基于列表序列进行推荐] 【复习】词条相似度:word2vec训练 (10:07).mp4
- 8-6 [基于列表序列进行推荐] 【复习】词条相似度:word2vec应用 (09:24).mp4
- 8-7 [基于列表序列进行推荐] 云音乐案例:基于词向量模型进行推荐 (07:02).mp4
- 9-1 [聚类方法在推荐系统中的应用] 【复习】聚类分析概述 (15:22).mp4
- 9-2 [聚类方法在推荐系统中的应用] 【复习】聚类分析的方法分类 (10:01).mp4
- 9-3 [聚类方法在推荐系统中的应用] 【复习】BIRCH聚类 (16:10).mp4
- 9-4 [聚类方法在推荐系统中的应用] 聚类分析在推荐系统中的应用思路 (10:59).mp4
- 9-5 [聚类方法在推荐系统中的应用] 云音乐案例:数据准备 (17:11).mp4
- 9-6 [聚类方法在推荐系统中的应用] 云音乐案例:具体建模操作 (20:22).mp4
- 10-1 [冷启动问题] 冷启动概述 (16:57).mp4
- 10-2 [冷启动问题] 用户冷启动的实现案例 (09:52).mp4
- 10-3 [冷启动问题] 物品冷启动的实现案例 (11:34).mp4





