算法视频课程

1. 求JAVA.数据结构.算法学习视频百度云。

《数据结构课程精讲教案合集-复旦大学(共计1061页).pdf 》网络网盘免费资源下载

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

2. 想学习算法，如何入门

入门的话推荐两本书：《算法图解》和《大话数据结构》，

另外推荐一门视频课程《300分钟搞定数据结构与算法》，不想花时间看书的同学，建议看这个视频课程，是关于数据结构和算法很好的一个课程。

3. 求数据结构和算法的视频，好一点的，最好有中文的。

上爱课网吧里面有对应的精品课程http://www.icourses.cn/home/

4. 计算机算法设计与分析（王晓东）视频

大学学习资料免费下载网 有

在 电子/信息/通信/计算机 版块

标题：王晓东《计算机算法设计与分析(第3版)》课后答案/习题详解

还有很多其他相关资料、课件、视频等等

（下载不用积分）

5. Hulu的推荐算法课程（7月15号发布）

最近，Hulu又推出了推荐算法课程，关键是免费的，太良心了有没有。平常动辄几百几千的小象学院的课程，现在统统不要钱。我听了第一节，感觉实用性很强，肯定不会有很深入的讲解，适合学生和想入场推荐系统的算法工程师来学习。同时Hulu提供了几道推荐算法的面试题，大家可以体会一下。

第一节课主要讲了几种基础的推荐算法模型（协同过滤，因式分解机，逻辑回归，提升树）

推荐算法在使用场景有：

1 视频网站，推荐视频（例如hulu，抖音等）

2 网购网站，推荐商品（例如京东，淘宝，Amazon）

3 新闻网站，推荐新闻（例如今日头条）

推荐算法的基础假设：

1 信息过载

2 用户不确定自己想看的内容

协同过滤算法是一种上下文无关的推荐算法

它的初衷是用户的历史和未来趋势保持一致

协同过滤算法有两种：基于用户的推荐算法和基于物品的推荐算法

基于用户的推荐算法：通过找到类似的用户，从而做推荐

基于物品的推荐算法：通过购买或者点赞的产品从而做推荐

好处:

简单，可解释性强

缺点：

需要占用存储（维护矩阵），稀疏矩阵问题

上下文无关的推荐算法

初衷：发现高维特征

进一步完善矩阵分解：

u表示平均打分在目录中

表示商品间的打分差异

表示用户的打分差异

优点：

更泛化性（即使两个用户没有给相同商品打分），节约存储空间（只需要保存两个低维向量）

缺点：

不好解释；更加稀疏

初衷：增加上下文信息到模型，把推荐系统作为一个分类问题来解决

用户，商品，上下文信息可以被转化为分类变量（比如性别，时间区间等）

最后加入sigmoid函数映射到0-1空间中。

好处：可解释性比较强；可以并行快速训练；训练开销比较低；可以在线训练

缺点：需要特征工程；模型的表达能力差

初衷：考虑到特征间的交叉

)

好处：表达能力比较强；很好泛化能力了；相对低的训练开销

缺点：做更高层的特征交叉比较难

提升树是基于Boosting的原理：使用多个弱分类器串行成集成分类器

提升树算法是通过集合多个决策树而得到的

第一道：从基于用户的协同过滤和基于物品的协同过滤的原理思考，下列场景中使用哪种协同过滤算法更加适合？为什么？

（1）新闻资讯推荐

新闻网站更适用于基于用户的协同过滤算法，兴趣相似的用户关注的新闻相似的概率比较大。

（2）电商网站推荐

电商网站更适用于基于物品的协同过滤算法，使用用户关注或者购买过的物品可以更精准推荐他未来购买的物品。

第二道：为什么逻辑回归模型在工业界受到了广泛应用？LR相对于其他的模型，尤其是GBDT模型，突出的优点是什么？

逻辑回归可解释性强，并且可以在线计算。相对于GBDT串联型结构，LR可以并行，所以得到工业界的欢迎。

第三道：为什么说提升树模型（GBDT)难以并行化？从Boosting方法的角度上给出简单的解释。

Boosting是通过不断增加新的模型预测，这种方式是无法并行化操作。

出自：世相科技

欢迎点赞支持