时光不回向店铺—美食
Python推荐算法开发,java 基于springboot 开发后台数据接口,vue开发前端界面
SNAP视频
经过20多年的发展,item-based已经成为推荐系统的标配,而推荐系统已经成为互联网产品的标配。很多产品甚至在第一版就要被投资人或者创始人要求必须“个性化”,可见,推荐系统已经飞入寻常百姓家,作为推荐系统工程师的成长也要比从前更容易,要知道我刚工作时,即使跟同为研发工程师的其他人如PHP工程师(绝无黑的意思,是真的)说“我是做推荐的”,他们也一脸茫然,不知道“推荐”为什么是一个工程师岗位。
如今纵然“大数据”, “AI”,这些词每天360度无死角轰炸我们,让我们很容易浮躁异常焦虑不堪,但不得不承认,这是作为推荐系统工程师的一个好时代。
推荐系统工程师和正常码农们相比,无需把PM们扔过来的需求给像素级实现,从而堆码成山;
和机器学习研究员相比,又无需沉迷数学推导,憋出一个漂亮自洽的模型,一统学术界的争论;
和数据分析师相比,也不需绘制漂亮的图表,做出酷炫的PPT能给CEO汇报,走上人生巅峰。
掌握核心原理的技能
数学:微积分,统计学,线性代数
周边学科:信息论基础
推荐算法: CF,LR,SVM,FM,FTRL,GBDT,RF,SVD,RBM,RNN,LSTM,RL
数据挖掘:分类,聚类,回归,降维,特征选择,模型评价
实现系统检验想法的技能
操作系统: Linux
编程语言: Python/R, Java/C++/C,sql,shell
RPC框架: thrift, Dubbo,gRPC
web服务: tornado, django, flask
数据存储: redis, hbase, cassandra, mongodb, mysql, hdfs,hive, kafka, elasticsearch
机器学习/深度学习: Spark MLib,GraphLab/GraphCHI,Angel,MXNet,TensorFlow,Caffe, Xgboost,VW,libxxx
文本处理: Word2vec,Fasttext,Gensim,NLTK
矩阵分解: Spark ALS,GraphCHI,implicit,qmf,libfm
相似计算: kgraph, annoy,nmslib, GraphCHI, columnSimilarities(spark.RowMatrix)
实时计算: Spark Streaming, Storm,Samza
为效果负责的技能
熟悉常见离线效果指标:准确率,召回率,AUC,基尼系数
能够定义产品效果指标:点击率,留存率,转换率,观看完整率
会做对比试验并分析实验结果:指标数据可视化
知道常见推荐产品的区别: Feed流推荐,相关推荐,TopN推荐,个性化推送
其他软技能
英文阅读;读顶级会议的论文、一流公司和行业前辈的经典论文和技术博客,在Quora和Stack Overflow上和人交流探讨;
代码阅读;能阅读开源代码,从中学习优秀项目对经典算法的实现;
沟通表达;能够和其他岗位的人员沟通交流,讲明白所负责模块的原理和方法,能听懂非技术人员的要求和思维,能分别真需求和伪需求并且能达成一致。
莫非8125
我的方案是thinkphp,前端vuejs,后端用nodejs或者swoole
理由如下
人生苦短,我用php,php就不多说了
vuejs和nodejs都是js,一脉相承,学习简单
swoole是类php语言,和php结合使用的
老欧日常
使用JS+CSS+HTML5语言。 小程序是基于微信平台的轻量级应用,它的开发是应用微信提供的小程序前端规范,结合企业自己开发的应用后端来制作的。 小程序开发使用的语言本质上就是JS+CSS+HTML5,不过不能直接用HTML标签,微信提供一个组件库,没有DOM和其他浏览器上的API;网络、Canvas等也重新包装过。 对于微信小程序而言,前端程序是唯一差异于网站建设技术的,因此,只要使用JS+CSS+HTML5让前端程序过得了关,能够写前端的接口,那么使用PHP,又或者java,以及asp.net的程序语言都是完全支持的。一般对于企业而言,都是采用php程序开发微信小程序;技术要求高一点的可以采用java程序开发。
0孤月痕0
我来回答这个问题,不少语言可以做。
java语言做推荐系统是比较好的,做好推荐系统要熟悉算法演练机器学习,分布式技术希望能帮到你。
D调多E点
java和php语言,一个是面向后端,一个面向前端。
一根葱
答案很简单。
服务器用go,前端vue。