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算法时，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最适合企业的智能机器学习算法，变成了一件极具挑战的事情。一个好的机器学习算法可以以最低的成本、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算法都有一定的认识，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算法设计研发工作，根据在百度、58集团、转转公司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算法如何设计实践。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算法的具体实践。并一同探讨如何满足贵企业的大数据与智能机器学习算法设计。
来吧，一起揭开“互联网大数据与机器学习算法设计与实践”的神秘面纱！目标收益
1.掌握大数据的核心技能（ODS／DW／DM／APP等）；
2.掌握机器学习的核心技能；
3.掌握机器学习训练的全流程（离线、在线等）；
4.掌握个性化推荐的全流程；
5.掌握智能搜索的全流程；
6.掌握未来人工智能的发展趋势；
7.课程以理论讲解和案例实践的方式开展，重点让同学们对实际线上项目能够有很深刻的认知。 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（Nave Bayes、LR、GBDT、FM、FFM、DeepFM、FTRL、Deep & Wide等）；
3.机器学习之无监督学习算法（K-Means、PCA、LDA等）；
4.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、ABTest 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.系统冷启动；
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；
专家介绍
孙老师
转转 首席架构师
转转公司首席架构师／架构算法部负责人，前58集团技术委员会主席，高级系统架构师，“架构之美”公众号作者。擅长系统架构设计，大数据，机器学习等技术领域。代表公司多次参加 Artificial Intelligence Conference、QCon、ArchSummit、SDCC、CCTC、DTCC、Top100、Strata + Hadoop World、WOT 等大会嘉宾演讲，并为《程序员》杂志撰稿 2 篇。 前百度高级工程师，参与百度社区搜索部多个基础系统的设计与实现。毕业于浙江大学。
|
请填写您的报名信息
