一 推荐系统简介​个性化推荐(推荐系统)经历了多年的发展，已经成为互联网产品的标配，也是AI成功落地的分支之一，在电商(淘宝/京东)、资讯(今日头条/微博)、音乐(网易云音乐/QQ音乐)、短视频(抖音/快手)等热门应用中,推荐系统都是核心组件之一。推荐系统产生背景信息过载 & 用户需求不明确分类⽬录（1990s）：覆盖少量热门⽹站。Hao123 Yahoo搜索引擎（2000s）：通过搜索词

Model-Based 协同过滤算法随着机器学习技术的逐渐发展与完善，推荐系统也逐渐运用机器学习的思想来进行推荐。将机器学习应用到推荐系统中的方案真是不胜枚举。以下对Model-Based CF算法做一个大致的分类：基于分类算法、回归算法、聚类算法基于矩阵分解的推荐基于神经网络算法基于图模型算法接下来我们重点学习以下几种应用较多的方案：基于K最近邻的协同过滤推荐基于回归模型的协同过滤推荐基于矩阵分

深度学习学习目标知道什么是深度学习知道深度学习的应用场景1.什么是深度学习在介绍深度学习之前，我们先看下人工智能，机器学习和深度学习之间的关系：机器学习是实现人工智能的一种途径，深度学习是机器学习的一个子集，也就是说深度学习是实现机器学习的一种方法。与机器学习算法的主要区别如下图所示：传统机器学习算术依赖人工设计特征，并进行特征提取，而深度学习方法不需要人工，而是依赖算法自动提取特征。深度学习模仿

4.4.yolo系列学习目标知道yolo网络架构，理解其输入输出知道yolo模型的训练样本构建的方法理解yolo模型的损失函数知道yoloV2模型的改进方法知道yoloV3的多尺度检测方法知道yoloV3模型的网络结构及网络输出了解yoloV3模型先验框设计的方法知道yoloV3模型为什么适用于多标签的目标分类了解yoloV4模型YOLO系列算法是一类典型的one-stage目标检测算法，其利用a

上一讲我们介绍了性能平台的监督功能搭建和诊断清单，在性能诊断和优化当中，首屏秒开是其中非常重要的一环，可以说前端性能优化中最重要的一个目标就是保证首屏秒开。那么，如何优化来保证这一点呢？这一讲我就介绍 4 个方法——懒加载，缓存，离线化，并行化。

在上一讲的最后，我们提到过“浅层模型”和“深层模型”。其实，人工智能的早期并没有“浅层模型”的概念，浅层模型是深度学习出现之后，与之对应而形成的概念。在浅层模型向深层模型转变的过程中，，并在此基础上诞生了深度学习。这一讲，我们就来学习一下神经网络和深度学习。

本课时主要介绍了命名规范、注释规范以及文档生成、库引入规范、代码美化，最后利用 dartanalyzer 来进行工具化校验保证项目代码质量。学完本课时以后，你需要掌握这些基础规范，其次特别需要掌握 dartfmt 和 dartanalyzer 工具的使用。为了上面演示效果更佳，我们可以将时间变成自动更新的方式，这里就会涉及 05 课时的生命周期内容。具体实现效果以及原理，我会在接下来的 05 课时

以上就是本课时的所有内容，学完本课时你需要掌握使用状态管理的场景，常见的状态管理有哪些。本课时的核心是需要你掌握 Provider 的状态管理技术方案。至此，我已经将组件的设计基本介绍完毕，接下来我将介绍组件的单元测试，以及完善组件功能。如果你有疑问，可以在下方留言。点击此链接查看本课时源码。

本课时主要介绍了组件中的有状态组件和无状态组件，关于有状态组件则介绍了其各个生命周期函数的执行场景以及实际触发的应用场景。最后再通过有状态组件优化我们之前的时间展示的小功能。学完本课时后，你需要掌握如何实现有状态组件，并了解有状态组件中各个生命周期函数被触发的时机。以上就是本课时的主要内容，下一课时介绍有状态组件和无状态组件应用场景，以及如何区分使用有状态组件和无状态组件。点击此链接查看本课时源码

第33讲：对于网络编程，你做过哪些优化？我们知道网络请求操作是一个 App 的重要组成部分，程序大多数问题都和网络请求有关。这节课我们就来聊聊我在平时开发过程中对于网络优化所做的一些尝试。使用 OkHttp 框架后，我们可以通过 EventListener 来查看一次网络请求的详细情况，一次完整的网络请求会包含以下几个步骤：0,000 callStart0,027 dnsStart5,189 dn