本月组队学习，包含推荐系统实践、Numpy入门（下）两个模块的路线学习。参与学习需要有一些Python基础。其中，推荐系统将结合Datawhale与天池发起的学习赛进行实践。

关于开源

Datawhale作为开源组织，更多是希望营造互促的学习氛围和纯粹的学习环境，所有学习内容和学习规划都将开源在Datawhale Github上，方便大家有监督和无监督学习，从而帮助到更多学习者成长。

开源内容

截止今日，Datawhale已经开源20多门学习内容，涉及编程、数据挖掘、cv、nlp、强化学习和推荐系统六大模块，这来自每一个开源贡献者的参与。

开源地址

https://github.com/datawhalechina/team-learning

组队学习

关于组队学习，顾名思义，就是一群志同道合的小伙伴聚集一起，一起学习，一起讨论，一起组队打boss，一起克服拖延症。其实没有老师，没有教学，有的是一群热爱学习和渴望改变的小伙伴，交流学习，互促共进。

开源学习

1 /Numpy入门（下）


开源贡献：韩绘锦、马燕鹏、王彦淳组队学习说明：本开源内容是Python基础的进阶，主要目标是学习Numpy在输入输出、随机抽样、数理统计和线性代数中的应用，为后期学习Pandas和Sklearn奠定坚实基础。任务路线：熟悉规则、输入输出、随机抽样、统计相关、线性代数、实践大作业

组队学习周期：10天

定位人群：有一些Python基础，难度系数中

每个任务完成大概所需时间：3-5h

任务预览（2天）


Task04：线性代数（2天）

  • 熟悉Numpy如何处理矩阵乘法以及向量的内积

  • 熟悉Numpy如何处理矩阵的特征值和特征向量

  • 熟悉Numpy如何处理矩阵的各种分解，如SVD、QR和Cholesky分解

  • 熟悉Numpy如何处理矩阵的范数、行列式和秩

  • 熟悉Numpy如何处理逆矩阵和线性方程组求解




2 /推荐系统实践（新闻推荐）


开源贡献：陈琰钰、罗如意、李万业、吴忠强、王贺、张汉隆组队学习说明：了解多路召回策略、冷启动策略、排序特征的构造方法、常见的排序模型和模型融合方法。任务路线：赛题理解 + Baseline、数据分析、多路召回、特征工程、排序模型 + 模型融合组队学习周期：15天定位人群：具有一定编程语言基础，对机器学习有一定的了解，会使用常见的数据分析工具（Numpy、Pandas），难度系数中

每个任务完成大概所需时间：3-5h

任务预览（3天）


Task03：多路召回

  • 熟悉常见的召回策略，如：itemcf, usercf以及深度模型召回等

  • 了解当前场景下的冷启动问题，及常见解决策略，了解如何将多路召回的结果进行合并

  • 完成多种策略的召回，冷启动及多路召回合并

  • 完成召回策略的调参和召回效果的评估