架構(gòu)師
互聯(lián)網(wǎng)
推薦課程
average > 0 ? $model->average . '分' : '10.0分' ?>

機(jī)器學(xué)習(xí)應(yīng)用實踐

Q. Jun

騰訊 技術(shù)總監(jiān)

機(jī)器學(xué)習(xí)海歸博士，騰訊技術(shù)總監(jiān)，專長AI技術(shù)在現(xiàn)實應(yīng)用場景的落地及變現(xiàn)，對不同領(lǐng)域的內(nèi)容識別，推薦，搜索和廣告有豐富的經(jīng)驗。前網(wǎng)易，負(fù)責(zé)網(wǎng)易新聞內(nèi)容的（個性化）推薦和剩余流量效果廣告變現(xiàn)。其一直致力于大數(shù)據(jù)算法和業(yè)務(wù)的結(jié)合并創(chuàng)造價值，作為行業(yè)老兵積極參與行業(yè)內(nèi)各種技術(shù)大會，分享近年來的算法成果。 前當(dāng)當(dāng)網(wǎng)算法研究員，NLP和算法團(tuán)隊負(fù)責(zé)人，負(fù)責(zé)當(dāng)當(dāng)網(wǎng)推薦，廣告，搜索和NLP方面的算法應(yīng)用。其對數(shù)據(jù)和算法的融合有豐富的經(jīng)驗，通過技術(shù)創(chuàng)造價值為公司帶來過億元的營收。多次代表當(dāng)當(dāng)網(wǎng)作為嘉賓參與CTO俱樂部，系統(tǒng)架構(gòu)師大會等技術(shù)會議，分享當(dāng)當(dāng)網(wǎng)近年來的算法成果。

機(jī)器學(xué)習(xí)海歸博士，騰訊技術(shù)總監(jiān)，專長AI技術(shù)在現(xiàn)實應(yīng)用場景的落地及變現(xiàn)，對不同領(lǐng)域的內(nèi)容識別，推薦，搜索和廣告有豐富的經(jīng)驗。前網(wǎng)易，負(fù)責(zé)網(wǎng)易新聞內(nèi)容的（個性化）推薦和剩余流量效果廣告變現(xiàn)。其一直致力于大數(shù)據(jù)算法和業(yè)務(wù)的結(jié)合并創(chuàng)造價值，作為行業(yè)老兵積極參與行業(yè)內(nèi)各種技術(shù)大會，分享近年來的算法成果。 前當(dāng)當(dāng)網(wǎng)算法研究員，NLP和算法團(tuán)隊負(fù)責(zé)人，負(fù)責(zé)當(dāng)當(dāng)網(wǎng)推薦，廣告，搜索和NLP方面的算法應(yīng)用。其對數(shù)據(jù)和算法的融合有豐富的經(jīng)驗，通過技術(shù)創(chuàng)造價值為公司帶來過億元的營收。多次代表當(dāng)當(dāng)網(wǎng)作為嘉賓參與CTO俱樂部，系統(tǒng)架構(gòu)師大會等技術(shù)會議，分享當(dāng)當(dāng)網(wǎng)近年來的算法成果。

課程費(fèi)用

6800.00 /人

課程時長

2天

成為教練

課程簡介

目標(biāo)收益

培訓(xùn)對象

課程大綱

第一單元
機(jī)器學(xué)習(xí)&經(jīng)典模型


該單元介紹機(jī)器學(xué)習(xí)基本概念，發(fā)展史和經(jīng)典模型解析及其應(yīng)用。
1、機(jī)器學(xué)習(xí)簡介
（1）什么是機(jī)器學(xué)習(xí)
（2）機(jī)器學(xué)習(xí)應(yīng)用場景
（3）機(jī)器學(xué)習(xí)發(fā)展歷史；
（4）機(jī)器學(xué)習(xí)與大數(shù)據(jù)；
（5）機(jī)器學(xué)習(xí)的本質(zhì)
2、機(jī)器學(xué)習(xí)模型及其應(yīng)用實踐
（1）SVM模型；
（2）LR模型
（3）決策樹模型
（4）Word2Vec模型
（5）貝葉斯模型
第二單元
大數(shù)據(jù)與2%的世界


該單元首先詳細(xì)介紹了“大數(shù)據(jù)”如何作為一種手段讓機(jī)器變得更加智能，從而更好服務(wù)用戶，提升商業(yè)價值。 		1、什么是大數(shù)據(jù)
2、大數(shù)據(jù)發(fā)展歷程
3、大數(shù)據(jù)的應(yīng)用場景
（1）傳統(tǒng)場景
（2）京東vs.蘇寧
（3）成功案例
4、大數(shù)據(jù)的變現(xiàn)實例
（1）圖書電商評論排序/跟帖排序
（2）精準(zhǔn)關(guān)聯(lián)廣告
（3）個性化推薦case
6、大數(shù)據(jù)處理工具：云計算
7、大數(shù)據(jù)發(fā)展方向
第三單元
層次分類


該單元詳細(xì)解釋了分類算法，重要擴(kuò)充了文本分類領(lǐng)域top級別的的重排序算法。 		1、傳統(tǒng)（層次）分類算法
2、重排序算法
（1）假設(shè)結(jié)果生產(chǎn)
（2）最優(yōu)結(jié)果選擇
（3）正負(fù)樣本構(gòu)建
（4）重排序模型的效果及性能
3、局部漸增式排序模型
第四單元
CTR預(yù)估
 根據(jù)不同場景的用戶行為，挖掘潛在有價值點(diǎn)擊率（CTR）信息。
第五單元
新聞個性化推薦


根據(jù)文本挖掘算法，給出了新聞的個性化推薦架構(gòu)，用戶畫像等核心技術(shù)點(diǎn)。 		1、 分詞改進(jìn)
2、 關(guān)鍵詞提取優(yōu)化
3、 深度學(xué)習(xí)訓(xùn)練語義空間
4、 語義聚類
5、 語義層次聚類
6、 用戶畫像刻畫
7、 個性化推薦
第一單元
機(jī)器學(xué)習(xí)&經(jīng)典模型


該單元介紹機(jī)器學(xué)習(xí)基本概念，發(fā)展史和經(jīng)典模型解析及其應(yīng)用。

1、機(jī)器學(xué)習(xí)簡介
（1）什么是機(jī)器學(xué)習(xí)
（2）機(jī)器學(xué)習(xí)應(yīng)用場景
（3）機(jī)器學(xué)習(xí)發(fā)展歷史；
（4）機(jī)器學(xué)習(xí)與大數(shù)據(jù)；
（5）機(jī)器學(xué)習(xí)的本質(zhì)
2、機(jī)器學(xué)習(xí)模型及其應(yīng)用實踐
（1）SVM模型；
（2）LR模型
（3）決策樹模型
（4）Word2Vec模型
（5）貝葉斯模型
第二單元
大數(shù)據(jù)與2%的世界


該單元首先詳細(xì)介紹了“大數(shù)據(jù)”如何作為一種手段讓機(jī)器變得更加智能，從而更好服務(wù)用戶，提升商業(yè)價值。
1、什么是大數(shù)據(jù)
2、大數(shù)據(jù)發(fā)展歷程
3、大數(shù)據(jù)的應(yīng)用場景
（1）傳統(tǒng)場景
（2）京東vs.蘇寧
（3）成功案例
4、大數(shù)據(jù)的變現(xiàn)實例
（1）圖書電商評論排序/跟帖排序
（2）精準(zhǔn)關(guān)聯(lián)廣告
（3）個性化推薦case
6、大數(shù)據(jù)處理工具：云計算
7、大數(shù)據(jù)發(fā)展方向
第三單元
層次分類


該單元詳細(xì)解釋了分類算法，重要擴(kuò)充了文本分類領(lǐng)域top級別的的重排序算法。
1、傳統(tǒng)（層次）分類算法
2、重排序算法
（1）假設(shè)結(jié)果生產(chǎn)
（2）最優(yōu)結(jié)果選擇
（3）正負(fù)樣本構(gòu)建
（4）重排序模型的效果及性能
3、局部漸增式排序模型
第四單元
CTR預(yù)估
根據(jù)不同場景的用戶行為，挖掘潛在有價值點(diǎn)擊率（CTR）信息。
第五單元
新聞個性化推薦


根據(jù)文本挖掘算法，給出了新聞的個性化推薦架構(gòu)，用戶畫像等核心技術(shù)點(diǎn)。
1、 分詞改進(jìn)
2、 關(guān)鍵詞提取優(yōu)化
3、 深度學(xué)習(xí)訓(xùn)練語義空間
4、 語義聚類
5、 語義層次聚類
6、 用戶畫像刻畫
7、 個性化推薦

活動詳情

提交需求