专题课程
【课程简介】
随着智能时代(AI)的到来,数据量急剧增加,如何应用人工智能算法变得越来越有挑战,企业在规划和设计大数据和机器学习系统时,涉及到方方面面的知识点,可选的方案也很多,如何在各种各样,纷繁复杂的技术中构建适合企业的智能机器学习系统,变成了一件很具挑战的事情。一个好的机器学习系统可以以较低的成本、更灵活的方式,满足企业用户需求。相反,糟糕的智能系统,不但花费了重金,而且算法及其工程架构过于复杂、过于笨重,效果不理想,线上故障不断,缺少灵活性差,将严重阻碍业务的发展。相信大家对大数据以及智能机器学习系统都有一定的认识,但结合业务场景如何在项目中落地实践,缺乏一些经验。
我个人一直从事大数据以及智能机器学习系统设计研发工作,根据在百度、58集团等多年的智能系统算法实践及其架构设计经验,带领大家一起学习互联网大数据与智能机器学习系统如何设计实践。理论结合实践,并重点讲述案例,深入剖析大型智能机器学习系统的具体实践。并一同探讨如何满足贵企业的大数据与智能机器学习系统设计。
来吧,一起揭开“互联网大数据与机器学习系统设计与实践”的神秘面纱!
【课程大纲】
第一课:互联网大数据与机器学习之大数据知识原理篇
1. 什么是大数据以及大数据应用场景是什么;
2. 大数据平台如何驱动业务持续增长;
3. 大数据平台发展三个阶段是什么(What->Why->How);
4. 大数据平台发展阶段一(What):是什么,快速描述业务,提供数据原材料;
5. 大数据平台发展阶段二(Why):为什么,分析波动 root cause;
6. 大数据平台发展阶段三(How):怎么做,数据化运营实践落地;
第二课:互联网大数据与机器学习之大数据总体架构篇
1. 为什么要构建大数据平台;
2. 大数据平台构建的目标与方案是什么;
3. 大数据仓库如何建设(数据接入清洗/数据仓库表设计与ETL);
4. 大数据平台化与产品化建设(ODS->DW->DM->APP);
5. 大数据指标体系化、分析框架设计;
6. 大数据平台建设的重难点实践;
7. 我们的实践案例;
第三课:互联网大数据与机器学习之机器学习知识原理篇
1. 机器学习是什么;
2. 机器学习与人工智能、深度学习关系;
3. 机器学习应用场景是什么;
4. 机器学习分类;
5. 机器学习评估指标;
6. 机器学习常用数学知识;
第四课:互联网大数据与机器学习之机器学习算法篇
1. 机器学习算法分类方法;
2. 机器学习之监督学习算法;
3. 机器学习之无监督学习算法;
4. 机器学习之强化学习算法;
5. 机器学习之迁移学习算法;
6. 我们的实践案例;
第五课:互联网大数据与机器学习之机器学习流程篇
1. 样本如何抽取;
2. 如何做特征工程(特征提取,特征离散化,特征交叉等);
3. 如何大规模高效离线训练 模型(训练集、测试集、验证集;评估指标AUC 等);
4. 模型上线;
5. 特征上线;
6. 我们的实践案例;
第六课:互联网大数据与机器学习之机器学习平台发展篇
1. 机器学习平台之小作坊生产模式;
2. 机器学习平台之流水线生产模式;
3. 机器学习平台之大规模机器学习模式;
4. 机器学习平台之大规模深度学习模式;
5. 我们实践案例;
第七课:互联网大数据与机器学习之机器学习关键技术篇
1. 用户画像系统;
2. 冷启动;
3. 评测指标与系统;
4. ABTest平台;
5. 我们的实践案例;
第八课:互联网大数据与机器学习之语言工具篇
1. python与scala如何选择;
2. spark使用及其性能优化;
3. hadoop使用及其使用优化;
4. redis使用及其使用优化;
5. elasticsearch使用及其使用优化;
6. 我们实践案例;
第九课:互联网大数据与机器学习之机器学习案例篇(推荐系统线上工程架构设计与实践)
1. 互联网大型系统架构演进(单体、水平分层、SOA、微服务架构);
2. 推荐系统架构演进(石器时代、铁器时代、蒸汽时代);
3. 我们的实践案例;
第十课:互联网大数据与机器学习之机器学习案例篇(推荐系统离线工程架构实践)
1. 离线训练作坊模式(单机);
2. 离线训练流水线模式(ODS、DW、DM、分布式训练、线上预测等/DataPipeline、T raining Pipeline、Model Serving);
3. 离线训练平台化模式(服务众多业务线,每个业务线一键接入);
4. 在线特征系统生产调度架构演进;
5. 我们的实践案例;
第十一课:互联网大数据与机器学习之机器学习案例篇(推荐系统召回算法设计与实践)
1. 商品主题模型;
2. 商品物品词模型;
3. 基于内容商品相似度模型;
4. 基于用户行为的CF模型演进;
5. 基于随机游走模型;
6. 实时召回模型;
7. 我们的实践案例;
第十二课:互联网大数据与机器学习之机器学习案例篇(推荐系统排序算法设计与实践)
1. Al l In One阶段;
2. 分层排序阶段;
3. 人工权重阶段;
4. 机器学习模型阶段;
5. 实时模型阶段;
6. 我们的实践案例;
第十三课:互联网大数据与机器学习之机器学习案例篇(搜索系统工程以及召回排序算法设计与实践)
1. 搜索系统工程架构演进;
2. 搜索系统召回算法演进;
3. 搜索系统排序算法演进;
4. 我们的实践案例;
- 上一篇:互联网大型分布式系统架构设计与实践
- 下一篇:高性能移动IM架构设计与实现