Day2_Homework

令 A = { 1 , 2 , 5 , 8 , 9 } \mathbf{A} = \{1, 2, 5, 8, 9\} A={1,2,5,8,9}, 写出 $\mathbf{A}$上的 “模 2 同余” 关系及相应的划分.

答： P = { { 1 , 5 , 9 } , { 2 , 8 } } \mathcal{P}=\{\{1,5,9\},\{2,8\}\} P={{1,5,9},{2,8}}

A = { 1 , 2 , 5 , 8 , 9 } , \mathbf{A} = \{1, 2, 5, 8, 9\} , A={1,2,5,8,9},自己给定两个关系${\mathbf{R}}_1和{\mathbf{R}}_2,$并计算${\mathbf{R}}_1{\mathbf{R}}_2,{\mathbf{R}}_1^{+},{\mathbf{R}}_1^{\ast }.$

答： R 1 = { ( 1 , 5 ) ,   ( 1 , 2 ) ,   ( 2 , 5 ) ,   ( 5 , 1 ) } \mathbf{R_1}=\mathrm{\{(1,5),\ (1,2), \ (2,5), \ (5,1)\}} R1​={(1,5), (1,2), (2,5), (5,1)}
R 2 = { ( 2 , 8 ) ,   ( 5 , 9 ) } \mathbf{R_2}=\mathrm{\{(2,8),\ (5,9)\}} R2​={(2,8), (5,9)}
R 1 + = { ( 1 , 2 ) ,   ( 1 , 5 ) ,   ( 2 , 1 ) ,   ( 2 , 2 ) } \mathbf{R_1^+}=\mathrm{\{(1,2), \ (1,5), \ (2,1), \ (2,2)\}} R1+​={(1,2), (1,5), (2,1), (2,2)}
R 1 ∗ = { ( 1 , 2 ) ,   ( 1 , 5 ) ,   ( 2 , 1 ) ,   ( 1 , 1 ) ,   ( 2 , 2 ) ,   ( 5 , 5 ) } \mathbf{R_1^*}=\mathrm{\{(1,2), \ (1,5), \ (2,1), \ (1,1), \ (2,2), \ (5,5)\}} R1∗​={(1,2), (1,5), (2,1), (1,1), (2,2), (5,5)}

查阅粗糙集上下近似的定义并大致描述.

答： 粗糙集理论作为一种数据分析处理理论，在1982年由波兰科学家创立，是一种处理不精确(imprecise)、不一致(inconsistent)、不完整(incomplete)等各种不完备的信息有效的工具。1995年ACM将粗糙集理论列为新兴的计算机科学的研究课题。
上下近似的概念为：假设给定了一个$\mathbf{A}$上的子集合$\mathbf{X}$={$x_2,x_5,x_7$}，无论是单属性知识还是由几个知识进行交、并运算合成的知识，都不能得到这个新的集合$\mathbf{X}$，也就是在所有的现有知识里面找出跟他最像的两个一个作为下近似，一个作为上近似。可以选择“蓝色的大方块或者蓝色的小圆形”这个概念： { x 5 , x 7 } \mathrm{\{}{x_5,x_7}\mathrm{\}} {x5​,x7​}作为$\mathbf{X}$的下近似。选择“三角形或者蓝色的” { x 1 , x 2 , x 5 , x 7 , x 8 } \{x_1,x_2,x_5,x_7,x_8\} {x1​,x2​,x5​,x7​,x8​}作为上近似，同时下近似集是在那些所有的包含于$\mathbf{X}$的知识库中的集合中求交得到的，而上近似则是将那些包含$\mathbf{X}$的知识库中的集合求并得到的

举例说明你对函数的认识

答：早期认识就是纯数学上面的函数问题，如何函数的定义是什么、计算函数值、导数、极值、最值。随着学习的深入，多元函数的加入，偏导数、多元函数的最值问题、梯度计算。为现在的神经网络的构造埋下铺垫，如：一个神经网络模型(如Linear)可以是一个函数、多标签分类器可以是一个函数、神经网络可以被过拟合函数模拟。

自己给定一个矩阵并计算其各种范数

答：如该矩阵：$$\left[\begin{array}{ccc}1& 2& 0\\ -1& 2& -1\\ 0& 1& 1\end{array}\right]$$ $l_0$范式：7
$l_1$范式： ∥ A ∥ = m a x 1 ≤ j ≤ 3 ∑ i = 0 3 x i ∣ a i j ∣ = m a x { 2 , 5 , 2 } = 5 \|\mathbf{A}\|=\mathop{max}\limits_{1\le j \le3}\sum\limits_{i=0}^3 {x_i}|a_{ij}|=max\{2,5,2\}=5 ∥A∥=1≤j≤3max​i=0∑3​xi​∣aij​∣=max{2,5,2}=5
$l_2$范式：先求${\mathbf{A}}^{\mathrm{T}}\mathbf{A}$的特征值
${\mathbf{A}}^{\mathrm{T}}\mathbf{A}$：$$\left[\begin{array}{ccc}2& 0& 1\\ 0& 9& -1\\ 1& -1& 2\end{array}\right]$$再根据det($\lambda E-{\mathbf{A}}^{\mathrm{T}}\mathbf{A},解得{\lambda }_1=9.1428,{\lambda }_2=2.9211,{\lambda }_3=0.9361$)
即：$\Vert A{\Vert }_2=\sqrt{9.1428}$
$l_{\infty }$范式： ∥ A ∥ = m a x 1 ≤ j ≤ 3 ∑ i = 0 3 x i ∣ a i j ∣ = m a x 1 ≤ j ≤ 3 { 3 , 4 , 2 } = 4 \|\mathbf{A}\|=\mathop{max}\limits_{1\le j \le3}\sum\limits_{i=0}^3 {x_i}|a_{ij}|=\mathop{max}\limits_{1\le j \le3}\{3,4,2\}=4 ∥A∥=1≤j≤3max​i=0∑3​xi​∣aij​∣=1≤j≤3max​{3,4,2}=4

解释 推荐系统: 问题、算法与研究思路 2.1 中的优化目标:$\mathrm{m}\mathrm{i}\mathrm{n}\sum _{(i,j)\in \Omega }(f(x_i,t_j)-r_{ij}{)}^2$

答：使用的是$min$即获取该函数的最小值：其中$r_{ij}$为评分矩阵，$x_i$为用户信息表的第$i$条信息，$t_j$为商品信息表对应的第$j$条信息，然后学习到$f$函数中，利用学习到的函数$f$减去评分矩阵差值然后平方累加得到$min$.