演算法視頻課程

1. 求JAVA.數據結構.演算法學習視頻百度雲。

《數據結構課程精講教案合集-復旦大學(共計1061頁).pdf 》網路網盤免費資源下載

鏈接: https://pan..com/s/15uwjtHgKKzZdheWFQC21pQ

2. 想學習演算法，如何入門

入門的話推薦兩本書：《演算法圖解》和《大話數據結構》，

另外推薦一門視頻課程《300分鍾搞定數據結構與演算法》，不想花時間看書的同學，建議看這個視頻課程，是關於數據結構和演算法很好的一個課程。

3. 求數據結構和演算法的視頻，好一點的，最好有中文的。

上愛課網吧裡面有對應的精品課程http://www.icourses.cn/home/

4. 計算機演算法設計與分析（王曉東）視頻

大學學習資料免費下載網 有

在 電子/信息/通信/計算機 版塊

標題：王曉東《計算機演算法設計與分析(第3版)》課後答案/習題詳解

還有很多其他相關資料、課件、視頻等等

（下載不用積分）

5. Hulu的推薦演算法課程（7月15號發布）

最近，Hulu又推出了推薦演算法課程，關鍵是免費的，太良心了有沒有。平常動輒幾百幾千的小象學院的課程，現在統統不要錢。我聽了第一節，感覺實用性很強，肯定不會有很深入的講解，適合學生和想入場推薦系統的演算法工程師來學習。同時Hulu提供了幾道推薦演算法的面試題，大家可以體會一下。

第一節課主要講了幾種基礎的推薦演算法模型（協同過濾，因式分解機，邏輯回歸，提升樹）

推薦演算法在使用場景有：

1 視頻網站，推薦視頻（例如hulu，抖音等）

2 網購網站，推薦商品（例如京東，淘寶，Amazon）

3 新聞網站，推薦新聞（例如今日頭條）

推薦演算法的基礎假設：

1 信息過載

2 用戶不確定自己想看的內容

協同過濾演算法是一種上下文無關的推薦演算法

它的初衷是用戶的歷史和未來趨勢保持一致

協同過濾演算法有兩種：基於用戶的推薦演算法和基於物品的推薦演算法

基於用戶的推薦演算法：通過找到類似的用戶，從而做推薦

基於物品的推薦演算法：通過購買或者點贊的產品從而做推薦

好處:

簡單，可解釋性強

缺點：

需要佔用存儲（維護矩陣），稀疏矩陣問題

上下文無關的推薦演算法

初衷：發現高維特徵

進一步完善矩陣分解：

u表示平均打分在目錄中

表示商品間的打分差異

表示用戶的打分差異

優點：

更泛化性（即使兩個用戶沒有給相同商品打分），節約存儲空間（只需要保存兩個低維向量）

缺點：

不好解釋；更加稀疏

初衷：增加上下文信息到模型，把推薦系統作為一個分類問題來解決

用戶，商品，上下文信息可以被轉化為分類變數（比如性別，時間區間等）

最後加入sigmoid函數映射到0-1空間中。

好處：可解釋性比較強；可以並行快速訓練；訓練開銷比較低；可以在線訓練

缺點：需要特徵工程；模型的表達能力差

初衷：考慮到特徵間的交叉

)

好處：表達能力比較強；很好泛化能力了；相對低的訓練開銷

缺點：做更高層的特徵交叉比較難

提升樹是基於Boosting的原理：使用多個弱分類器串列成集成分類器

提升樹演算法是通過集合多個決策樹而得到的

第一道：從基於用戶的協同過濾和基於物品的協同過濾的原理思考，下列場景中使用哪種協同過濾演算法更加適合？為什麼？

（1）新聞資訊推薦

新聞網站更適用於基於用戶的協同過濾演算法，興趣相似的用戶關注的新聞相似的概率比較大。

（2）電商網站推薦

電商網站更適用於基於物品的協同過濾演算法，使用用戶關注或者購買過的物品可以更精準推薦他未來購買的物品。

第二道：為什麼邏輯回歸模型在工業界受到了廣泛應用？LR相對於其他的模型，尤其是GBDT模型，突出的優點是什麼？

邏輯回歸可解釋性強，並且可以在線計算。相對於GBDT串聯型結構，LR可以並行，所以得到工業界的歡迎。

第三道：為什麼說提升樹模型（GBDT)難以並行化？從Boosting方法的角度上給出簡單的解釋。

Boosting是通過不斷增加新的模型預測，這種方式是無法並行化操作。

出自：世相科技

歡迎點贊支持