机器学习的应用–大数据
机器学习的子类–深度学习
机器学习的父类–人工智能
机器学习的范畴包括:
分类、回归、聚类。
机器学习 根据过去的数据会建立一个模型,但有新的数据进来时,机器(程序)会根据这个模型对该数据进行预测。
机器学习方法是计算机利用已有的数据,得出了某种模型,并利用此模型预测未来的一种方法。
[b]机器学习是一种通过利用数据,训练出模型,然后使用模型预测的一种方法。[/b]
如 根据用户以前的浏览数据,得出用户模型,利用该模型来预测用户将来会浏览哪些信息。把这类信息推送给用户,就是推荐系统。
机器学习任务主要分为两种:Supervised Machine Learning 和 Unsupervised Machine Learning。其中Supervised Machine Learning主要包括Classification和Regression,Unsupervised Machine Learning主要包括Clustering。
推荐系统 是属于机器学习的范畴。
机器学习中比较实用的是推荐引擎和分类算法
机器学习 概念介绍:http://aoyouzi.iteye.com/blog/2179641
依据数据所做的判断跟机器学习的思想根本上是一致的。
推荐引擎
基于用户 GenericUserBasedRecommender
相似度+ 邻域
相似度 UserSimilarity
实现的算法有
PearsonCorrelationSimilarity -- 皮尔逊
EuclideanDistanceSimilarity -- 欧式距离
TanimotoCoefficientSimilarity -- 谷本系数
UserNeighborhood
实现的算法
NearestNUserNeighbordhood -- 近邻
ThresholdUserNeighborhood -- 基于阀值
基于物品 GenericItemBasedRecommender
只要考虑相似度 接口为 ItemSimilarity
实现算法和基于用户的一样
基于模型
Slope-One
Slopeone算法不同于前面提到的基于相似度的算法,他计算简单快速,对新用户推荐效果不错,数据更新和扩展性都很不错,预测能达到和基于相似度的算法差不多的效果,很适合在实际项目中使用。
机器学习的子类–深度学习
机器学习的父类–人工智能
机器学习的范畴包括:
分类、回归、聚类。
机器学习 根据过去的数据会建立一个模型,但有新的数据进来时,机器(程序)会根据这个模型对该数据进行预测。
机器学习方法是计算机利用已有的数据,得出了某种模型,并利用此模型预测未来的一种方法。
[b]机器学习是一种通过利用数据,训练出模型,然后使用模型预测的一种方法。[/b]
如 根据用户以前的浏览数据,得出用户模型,利用该模型来预测用户将来会浏览哪些信息。把这类信息推送给用户,就是推荐系统。
机器学习任务主要分为两种:Supervised Machine Learning 和 Unsupervised Machine Learning。其中Supervised Machine Learning主要包括Classification和Regression,Unsupervised Machine Learning主要包括Clustering。
推荐系统 是属于机器学习的范畴。
机器学习中比较实用的是推荐引擎和分类算法
机器学习 概念介绍:http://aoyouzi.iteye.com/blog/2179641
依据数据所做的判断跟机器学习的思想根本上是一致的。
推荐引擎
基于用户 GenericUserBasedRecommender
相似度+ 邻域
相似度 UserSimilarity
实现的算法有
PearsonCorrelationSimilarity -- 皮尔逊
EuclideanDistanceSimilarity -- 欧式距离
TanimotoCoefficientSimilarity -- 谷本系数
UserNeighborhood
实现的算法
NearestNUserNeighbordhood -- 近邻
ThresholdUserNeighborhood -- 基于阀值
基于物品 GenericItemBasedRecommender
只要考虑相似度 接口为 ItemSimilarity
实现算法和基于用户的一样
基于模型
Slope-One
Slopeone算法不同于前面提到的基于相似度的算法,他计算简单快速,对新用户推荐效果不错,数据更新和扩展性都很不错,预测能达到和基于相似度的算法差不多的效果,很适合在实际项目中使用。