吴恩达机器学习课程15——推荐系统

最新推荐文章于 2023-07-20 21:27:06 发布
最新推荐文章于 2023-07-20 21:27:06 发布
阅读量224 收藏
点赞数
分类专栏： 吴恩达机器学习课程 文章标签： 机器学习 算法 人工智能
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.csdn.net/qq_41076797/article/details/109552742
版权
本文介绍了推荐系统的两大算法：基于内容的推荐和协同过滤算法。基于内容的推荐通过用户历史评分拟合参数，协同过滤则通过用户评分学习电影特征。协同过滤分为基本算法和优化过程，通过迭代更新参数和特征向量达到优化目标。文章还讨论了推荐电影的方法及新用户评分的均值归一化处理，以避免推荐失效。
摘要由CSDN通过智能技术生成

目录

引子

  • 在这里插入图片描述
    上图是一个电影评分的例子。nu代表用户数量，nm代表电影数量，r(i,j)=1表示用户j对电影i进行了评分。y(i,j)=0~5，表示用户j对于电影i的评分。
    从左边的图来看，Alice和Bob比较喜欢爱情片，而3号和4号比较喜欢动作片。
    推荐系统的任务就是根据r(i,j)和y(i,j)预测j会对没看过的电影i做出怎样的评分，并根据预测的评分来决定是否将电影i推荐给该用户j。

基于内容的推荐算法

  • 在这里插入图片描述
    还是有关电影的例子，我们假设有个与用户相关的参数θ，然后电影特征x1、x2，加截距x0=1组成一个特征向量x，我们用θ(i)的转置*x(i)
了解本专栏 订阅专栏 解锁全文 超级会员免费看
CtrlZ1
关注
专栏目录
订阅专栏
吴恩达机器学习课程09——机器学习系统设计
lyy的博客
10-30 170
目录误差分析偏斜类（不对称性分类）的误差评估精确度和召回率的权衡大量训练数据如有错误，请不吝指正~ 误差分析 一些建议： 吴恩达老师提供了很多机器学习的建议方法，比如上面提到的三条： 1.当你接手一件任务的时候，先用最快速的方法完成目标，去实现它。 2.然后就是修修补补了，比如绘制学习曲线，进而决定是否需要更多的数据、更多的特征等等。 3.误差分析操作，这个挺有意思的，就是针对那些你预测的不是很准确的数据，人工分析一下， 看看它们都具有什么特点，从而决定是否增加一些针对性特征等等。 比如说： 以区分
吴恩达机器学习 - 推荐系统
wyg1997
06-25 819
题目链接：点击打开链接 笔记： 每个算法最重要的莫过于代价函数了： 公式： 求代价： 求梯度： Code（cofiCostFunc.m）： function [J, grad] = cofiCostFunc(params, Y, R, num_users, num_movies, ... ...
coursera-斯坦福-机器学习-吴恩达-推荐系统
w3071206219的博客
01-09 520
十六、推荐系统(Recommender Systems) 16.1 问题形式化 参考视频: 16 - 1 - Problem Formulation (8 min).mkv 在接下来的视频中，我想讲一下推荐系统。我想讲推荐系统有两个原因： 第一、仅仅因为它是机器学习中的一个重要的应用。在过去几年，我偶尔访问硅谷不同的技术公司，我常和工作在这儿致力于机器学习应用的人们聊天，我常问他们，最重要...
吴恩达《机器学习》笔记——第十六章《推荐系统》
qq_43572747的博客
05-22 306
16、Recommender Systems（推荐系统）16.2 Content-based recommendations（基于内容的推荐算法）16.3 Collaborative filtering（协同过滤）16.4 Collaborative filtering algorithm（协同过滤算法）16.5 Vectorization：Low rank matrix factorization（矢量化：低秩矩阵分解）16.6 Implementational detail：Mean normaliz
吴恩达机器学习（推荐系统）
qq_38162944的博客
01-28 291
（1）问题规划 这一章中将讨论推荐系统的有关内容，它是在机器学习中的一个重要应用。 机器学习领域的一个伟大思想：对于某些问题，有一些算法可以自动地学习一系列合适的特征，比起手动设计或编写特征更有效率。这是目前做的比较多的研究，有一些环境能让你开发某个算法来学习使用那些特征。 接下里让我们通过推荐系统的学习来领略一些特征学习的思想。 推荐系统预测电影评分的问题： 某些公司让用户对不同的电影进行评价，用0到5星来评级，下面是用户的评价情况： 符号介绍： 推荐系统就是在给出了r(i,j)和y(i,j)的值后，
吴恩达机器学习课程08——应用机器学习的建议
lyy的博客
10-29 251
目录评估假设模型选择诊断偏差与方差如果不妥，还请指正~ 评估假设 吴恩达老师主要讲了如何评估自己模型的效果。由于可能存在特征较多的情况，这样就不方便绘图查看预测与训练数据的关系（是否出现欠拟合或过拟合）。所以吴恩达老师讲了通过代价函数来进行判断。 方法就是首先给出训练数据，然后通常是以7:3的比例来划分训练和测试数据的。 用在线性回归上： 用在Logistic回归上： logistic回归也是使用了代价函数，然后还可以使用一种01分类错误度量的方法来衡量，大家看图就可以清楚的理解。 模型选择
吴恩达机器学习课程PPT
03-27
### 吴恩达机器学习课程概述 吴恩达的机器学习课程通常包括了机器学习的基础概念、算法原理以及实际应用等多个方面。这份课程资料可能是基于斯坦福大学的课程内容整理而成，涵盖了监督学习、无监督学习、强化学习等...
吴恩达机器学习课程05——Logistic回归
lyy的博客
10-25 240
目录分类假设模型代价函数多分类总结感谢大家的支持，如有不妥之处，还请不吝指正~ 分类 需要注意的是，虽然它叫做Logistic回归，但是其实这是一个分类算法。我们首先以二分类来引入这个算法。下面是吴恩达老师在课程中提到的一个例子。 既然是分类，我们就要有分类标准。如上图所示，我们对训练数据使用我们学过的线性回归（用回归算法来做分类任务），那么就会得到上图的拟合直线，由直线可得，我们的标准就是0.5，y>=0.5就预测为1类，否则就预测为0类。从图中所给的数据来看，这么分是很合理的。这是否表示用回
Machine Learning|吴恩达 （9-2）- 推荐系统（Recommender Systems）
weixin_40920228的博客
06-23 497
Collaborative filtering Collaborative filtering 协同过滤。不过这个直译名感觉表达不准确啊。可能叫“协同训练”更形象些。系统中涉及θ,xθ,x\theta \; ,x两项需要通过训练进行学习。人已越来越懒，这章节我觉得是全课程比较重要的章节之一。因为提出了“共同训练、循环预测”的概率。然后，居然不想再整理完整笔记了。好吧，以后有时...
吴恩达机器学习（二十）—— 推荐系统
大彤小忆的博客
04-12 3842
1. 问题规划2. 基于内容的推荐算法3. 协同过滤4. 协同过滤算法5. 向量化：低秩矩阵分解6. 均值归一化 1. 问题规划   推荐系统是机器学习中的一个重要应用。   在机器学习中，针对一些问题，有算法可以为系统自动学习一套好的特征。因此，不要试图手动设计，但手写代码是我们目前为止常干的事情。有一些设置，我们可以有一个算法，仅仅学习其使用的特征，推荐系统就是类型设置的一个例子。   电影预测评分的例子如下。假使我们是一个电影供应商，现在有5部电影和4个用户，要求用户为电影打分。   从上表所给信.
吴恩达机器学习（十三）—— 推荐系统
Taurus
07-10 1632
推荐系统1. 问题规划2. 基于内容的推荐算法3. 协同过滤4. 协同过滤算法5. 向量化：低秩矩阵分解6. 均值归一化 1. 问题规划   推荐系统是机器学习中的一个重要应用。   在机器学习中，针对一些问题，有算法可以为系统自动学习一套好的特征。因此，不要试图手动设计，但手写代码是我们目前为止常干的事情。有一些设置，我们可以有一个算法，仅仅学习其使用的特征，推荐系统就是类型设置的一个例子。   电影预测评分的例子如下。假使我们是一个电影供应商，现在有5部电影和4个用户，要求用户为电影打分。   从上表
吴恩达机器学习笔记（十六）-推荐系统
Messi-Q Blog
07-01 6689
第十七章推荐系统问题规划    这一章中将讨论推荐系统的有关内容，它是在机器学习中的一个重要应用。    机器学习领域的一个伟大思想：对于某些问题，有一些算法可以自动地学习一系列合适的特征，比起手动设计或编写特征更有效率。这是目前做的比较多的研究，有一些环境能让你开发某个算法来学习使用那些特征。    接下里让我们通过推荐系统的学习来领略一些特征学习的思想。    推荐系统预测电影评分的问题：  ...
【学习笔记】吴恩达机器学习 | 第十四章 | 推荐系统
最新发布
BenjaminChen的博客
07-20 361
【学习笔记】吴恩达机器学习 | 第十四章 | 推荐系统
9. 吴恩达机器学习-推荐系统
qq_45069496的博客
08-09 285
  在机器学习中，针对一些问题，有算法可以为系统自动学习一套好的特征。因此，不要试图手动设计，但手写代码是我们目前为止常干的事。有一些设置，我们可以有一个算法，仅仅学习其使用的特征，推荐系统就是类型设置的一个例子。   我们从一个例子开始定义推荐系统的问题。假设我们是一个电影供应商，我们有 5 部电影和 4 个用户，我们要求用户为电影打分。   我们可以看出前三部是爱情片，后两部则是动作片，Alice 和 Bob 似乎更倾向于爱情片，而 Carol 和 Dave 则更倾向于动作片，并且没有一个用户给所有的
吴恩达机器学习——第17章 推荐系统
路漫漫其修远兮，吾将上下而求索
10-15 488
推荐系统1、概述2、基于内容的推荐算法2.1 电影推荐案例2.2 符号说明2.3 基本原理2.4 $\theta$的计算3、协同过滤3.1 前提3.2 原理3.3 计算步骤3.4 同时计算$\theta、 X$4、矢量化实现5、均值归一化 1、概述 推荐系统是现实生活中应用最广泛的积极学习问题，通过对历史数据的分析，把用户感兴趣的商品、服务推荐给用户。 2、基于内容的推荐算法 基于内容的推荐算法，...
《吴恩达机器学习》16 推荐系统
JockerWong的笔记工厂
02-24 712
推荐系统前言一、基于内容的推荐系统1、问题描述2、推荐系统算法二、协同过滤三、低秩矩阵分解及均值归一化1、低秩矩阵分解2、均值归一化总结 前言 目前生活中我们用的互联网产品就会都会涉及到推荐系统，比如逛淘宝时浏览商品时推荐系统会记下用户的喜好，然后推荐同类型或者觉得你感兴趣的商品给你；浏览新闻时根据你历史浏览的内容推荐同类型内容的新闻给你，这就是通俗意义上的推荐系统。 一、基于内容的推荐系统 1、...
【吴恩达机器学习笔记】十四、推荐系统
Newin2020的博客
12-07 1134
📣专栏定位：为学习吴恩达机器学习视频的同学提供的随堂笔记。 📚专栏简介：在这个专栏，我将整理吴恩达机器学习视频的所有内容的笔记，方便大家参考学习。
深度解析：吴恩达机器学习课程——支持向量机（SVM）
"吴恩达教授的机器学习课程讲义，专注于支持向量机（SVM）部分，涵盖了从基础的margin概念到最优margin分类器、拉格朗日对偶性、核函数以及SMO算法的详细内容。" 在机器学习领域，支持向量机（Support Vector ...
评论
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包

打赏作者

CtrlZ1

你的鼓励将是我创作的最大动力

¥1 ¥2 ¥4 ¥6 ¥10 ¥20
扫码支付：¥1
获取中
扫码支付

您的余额不足，请更换扫码支付或充值

打赏作者

实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值