1、培训过程中，如有部分内容理解不透或消化不好，可免费在以后培训班中重听；
        2、课程完成后,授课老师留给学员手机和Email,保障培训效果,免费提供半年的技术支持。
        3、培训合格学员可享受免费推荐就业机会。

第一部分讲解的是推荐系统需要的算法及其推导，内容如下：

1、基于内容的推荐系统

2、协同过滤的核心概念

3、基于用户的协同过滤和基于产品的协同过滤

4、相似度的计算

5、隐语义模型的讲解

6、Spark支持的推荐算法的介绍

7、交替小二乘法(ALS)的推导

第二部分讲解的是Spark代码实现的推荐系统，内容如下：

1、隐式类型数据的推荐的实现

2、显示类型数据的推荐的实现

3、冷启动问题

4、Spark中ml包和mllib包的比较
第1章Spark中的推荐算法
1-1推荐系统概述
1-2基于内容的推荐算法
1-3CF和核心概念
1-4User-Based_CF和Item-Based_CF
1-5相似度计算
1-6隐语义模型
1-7正则化
1-8Spark支持的推荐算法
1-9交替小二乘算法讲解
第2章推荐代码实现
2-1隐式模型vs显示模型
2-2数据集准备
2-3数据解析
2-4构建第一个模型
2-5模型评估
2-6选择合理的超参数
2-7显示类型数据的推荐的实现
2-8交叉验证
2-9冷启动问题
2-10Spark中mllib中的ALS的使用
2-11Spark中的ml包和mllib包