一、推薦算法有哪些？

推薦算法大致可以分為三類：基于內容的推薦算法、協同過濾推薦算法和基于知識的推薦算法。 基于內容的推薦算法，原理是用戶喜歡和自己關注過的Item在內容上類似的Item，比如你看了哈利波特I，基于內容的推薦算法發現哈利波特II-VI，與你以前觀看的在內容上面（共有很多關鍵詞）有很大關聯性，就把后者推薦給你，這種方法可以避免Item的冷啟動問題（冷啟動：如果一個Item從沒有被關注過，其他推薦算法則很少會去推薦，但是基于內容的推薦算法可以分析Item之間的關系，實現推薦），弊端在于推薦的Item可能會重復，典型的就是新聞推薦，如果你看了一則關于MH370的新聞，很可能推薦的新聞和你瀏覽過的，內容一致；另外一個弊端則是對于一些多媒體的推薦（比如音樂、電影、圖片等)由于很難提內容特征，則很難進行推薦，一種解決方式則是人工給這些Item打標簽。 協同過濾算法，原理是用戶喜歡那些具有相似興趣的用戶喜歡過的商品，比如你的朋友喜歡電影哈利波特I，那么就會推薦給你，這是最簡單的基于用戶的協同過濾算法（user-based collaboratIve filtering），還有一種是基于Item的協同過濾算法（item-based collaborative filtering），這兩種方法都是將用戶的所有數據讀入到內存中進行運算的，因此成為Memory-based Collaborative Filtering，另一種則是Model-based collaborative filtering，包括Aspect Model，pLSA，LDA，聚類，SVD，Matrix Factorization等，這種方法訓練過程比較長，但是訓練完成后，推薦過程比較快。 最后一種方法是基于知識的推薦算法，也有人將這種方法歸為基于內容的推薦，這種方法比較典型的是構建領域本體，或者是建立一定的規則，進行推薦。 混合推薦算法，則會融合以上方法，以加權或者串聯、并聯等方式盡心融合。 當然，推薦系統還包括很多方法，其實機器學習或者數據挖掘里面的方法，很多都可以應用在推薦系統中，比如說LR、GBDT、RF（這三種方法在一些電商推薦里面經常用到），社交網絡里面的圖結構等，都可以說是推薦方法。

二、學習深度學習如何下手

1、機器學習是一種實現人工智能的方法，深度學習是一種實現機器學習的技術。 2、深度學習本來并不是一種獨立的學習方法，其本身也會用到有監督和無監督的學習方法來訓練深度神經網絡。但由于近幾年該領域發展迅猛，一些特有的學習手段相繼被提出（如殘差網絡），因此越來越多的人將其單獨看作一種學習的方法。 3、機器學習最基本的做法，是使用算法來解析數據、從中學習，然后對真實世界中的事件做出決策和預測。與傳統的為解決特定任務、硬編碼的軟件程序不同，機器學習是用大量的數據來“訓練”，通過各種算法從數據中學習如何完成任務。 拓展資料： 1、機器學習直接來源于早期的人工智能領域，傳統的算法包括決策樹、聚類、貝葉斯分類、支持向量機、EM、Adaboost等等。從學習方法上來分，機器學習算法可以分為監督學習（如分類問題）、無監督學習（如聚類問題）、半監督學習、集成學習、深度學習和強化學習。傳統的機器學習算法在指紋識別、基于Haar的人臉檢測、基于HoG特征的物體檢測等領域的應用基本達到了商業化的要求或者特定場景的商業化水平，但每前進一步都異常艱難，直到深度學習算法的出現。 2、最初的深度學習是利用深度神經網絡來解決特征表達的一種學習過程。深度神經網絡本身并不是一個全新的概念，可大致理解為包含多個隱含層的神經網絡結構。為了提高深層神經網絡的訓練效果，人們對神經元的連接方法和激活函數等方面做出相應的調整。其實有不少想法早年間也曾有過，但由于當時訓練數據量不足、計算能力落后，因此最終的效果不盡如人意。深度學習摧枯拉朽般地實現了各種任務，使得似乎所有的機器輔助功能都變為可能。無人駕駛汽車，預防性醫療保健，甚至是更好的電影推薦，都近在眼前，或者即將實現。

三、機器學習 分類算法 有哪些應用

推薦先學習FTRL，這是目前業界應用比較廣泛的在線LR算法

論文：Ad Click Prediction: a View from the Trenches