Andrew Ng chapter17 推荐系统

最新推荐文章于 2024-07-21 19:18:55 发布
最新推荐文章于 2024-07-21 19:18:55 发布
阅读量97 收藏
点赞数
分类专栏： 网课学习 文章标签： 机器学习
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_42907828/article/details/89486882
版权

问题规划

自动填补缺失值问题

基于内容的推荐算法

在这里插入图片描述
在这里插入图片描述
问题相当于针对每一个用户，做线性回归，求解参数Thera值。
在这里插入图片描述
在这里插入图片描述

协同过滤

自动学习特征
在这里插入图片描述
在这里插入图片描述
在这里插入图片描述

协同过滤算法

同时求解参数Thera和特征X
在这里插入图片描述
在这里插入图片描述

矢量化：低秩矩阵分解

在这里插入图片描述

均值归一化

在这里插入图片描述
在这里插入图片描述
我们需要进行 Mean Normalizaion处理, 如下图所示. 然后对于第j个用户在第i个电影的评分用
在这里插入图片描述
预测。

不爱学习的木易
关注
  • 0
    点赞
  • 踩
  • 0
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
专栏目录
创新实训（4）——有关项目推荐系统的规划
baidu_41871794的博客
06-08 372
标题基于流行度的推荐 后台可以记录每篇博客的阅读次数，直接简单粗暴的推荐比较流行的博客即可，可能热门的博客会被很多人所喜欢。 问题：可能产生长尾效应，阅读数多的博客可能就有限的几篇，而大量的博客无人问津。 解决方案：将阅读次数与新鲜度结合，找到一个比较适合的排名方式，一篇刚发布的博客，有较大的新鲜度，可以将其排到前面 博客评分的计算（基于新鲜度和点击量）： 如果一篇文章的点击量超过200（这个数据可以修改）。网站会认为这篇文章是一篇有趣的文章。 产生一个能够随时间流逝而不断减少的评分根据文章的发布时间和当前
推荐系统实践（新闻推荐）1：赛题理解
charie411的博客
11-25 780
Deepnote 推荐系统入门 赛题简介 what? 根据海量用户的新闻历史点击日志、新闻文章信息、新闻文章embedding向量表示信息等，预测用户最后点击文章的编号【top5】。 其中： 数据部分：用户新闻点击日志包括用户ID、点击时间和新闻ID。比赛将以20万用户的点击日志数据作为训练集，5万用户的点击日志数据作为测试集A，5万用户的点击日志作为测试集B. 新闻文章信息共包含36万篇新闻。 提交结果部分：包含用户ID、预测用户点击新闻文章Top5的article_id【概率由高到低排序】 how
Andrew Ng chapter8 正则化
qq_42907828的博客
04-21 102
正则化 overfitting 解决过拟合的方法：第一种是人为的手动删减特征，或者使用算法模型直接挑选特征。但是由于有些特征信息或多或少都是有些作用的，所以就产生了第二种方法，正则化思想，保留特征，但是降低这些特征的参数值，相当于给他们加上一个惩罚项，从而实现简化模型的作用。 线性回归的正则化 （1） 针对梯度下降法 （2） 针对正规方程法 这时，只要正则参数λ大于0，就不用在考虑，可不...
Andrew Ng chapter18 大规模机器学习
qq_42907828的博客
04-24 97
判断是否需要大数据集，像图中右边明显是高偏差问题，此时单纯的增加数据集的大小是没有什么特别好的作用的。 随机梯度下降 为了减少计算量 原始的batch 梯度下降 SGD将每次的梯度下降运行只放在一个样本上。之前要做数据的打乱工作，所以在训练过程中，是有一定的噪音的，因为每个样本对梯度的影响情况也是不同的。 Mini-batch 梯度下降 介于SGD和梯度下降之间的一种方法。 SGD的...
Andrew Ng chapter16 异常检测
qq_42907828的博客
04-24 225
高斯分布 异常检测算法 独立性假设思想 评估方法 用实际带label的数据去做处理 与监督学习的区别和用法 一是数据不平衡时使用，二是反例案例没有规律可循时使用。 特征处理 原则上特征应该符合高斯分布，可以通过log等方法将不符合高斯分布的函数转化成符合高斯分布。 比如下面，从左图到右图的变化，即是通过增加一个特征，来达到区分。 多变量高斯分布 像这种数据分布的很窄，直接对单...
Andrew Ng chapter13 SVM
qq_42907828的博客
04-23 142
支持向量机（从逻辑回归出发） 与逻辑回归相比，输出的就不再是概率值，而是0或者1 大间隔分类器，但是仅有C足够大的时候，才能达到严格意义上的大间隔。 大间隔分类器的数学原理 两个向量的内积 实际上，Thera和decision boundary是相互垂直的，目标是使得P足够大，才能最小化cost function 核函数 对于复杂的decision boundary 改变fe...
Andrew Ng chapter19 应用实例
qq_42907828的博客
04-24 96
pipeline Sliding Windows 人造数据
Andrew Ng chapter15 降维-PCA
qq_42907828的博客
04-24 144
降维的两个目标：一是数据压缩，二是可视化；可以减少内存，减少磁盘空间，提高效率。 PCA 关键是找到降维的向量方向。 与线性回归的区别，在于图中的小圆点，PCA的衡量标准就是投影误差。 PCA算法 运用协方差和奇异值分解 推导过程和数学原理 压缩重现 K的选取 PCA解决overfitting不是正确的方式，因为没有考虑Y值，用正则化，效果会好一些。 参考 奇异值分解(SV...
Andrew Ng chapter5 多元线性回归
qq_42907828的博客
04-20 163
多元线性回归 gradient descent for multiple linear regression cost function 有所改变 feature scaling 为了更快速的收敛，防止来回波动，进行特征缩放 均值归一化 learning rate 判断working correctly 上述cost function 的异常现象都可能通过调节学习率来缓解。常用的学习...
AndrewNg 主讲 Machine Learning 官方 真实 讲义
04-24
Andrew Ng Stanford University 机器学习是一种让计算机在没有事先明确地编程的情况下做出正确反应的科学 在过去的十年中 机器学习已经给我们在自动驾驶汽车 实用语音识别 有效的网络搜索 以及提高人类基因组的认识...
machine learning yearning Andrew Ng
09-30
machine learning yearning是吴恩达新书，本书含有58章
AndrewNg机器学习讲义.rar
10-18
机器学习大牛andrewNG的斯坦福大学的机器学习讲义，分为原版和个人理解版，很好的资源。。。
机器学习课程PPT by Andrew Ng
07-04
《机器学习课程PPT by Andrew Ng》是一份由著名人工智能专家吴恩达（Andrew Ng）提供的机器学习入门教学资料，涵盖了多个重要的机器学习主题。吴恩达是深度学习和在线教育领域的先驱，他的课程因其深入浅出的讲解而...
斯坦福 AndrewNG 机器学习课件
03-20
coursera上面吴恩达的机器学习课件7-12课件，欢迎下载学习！
计算机毕业设计Django+Vue.js考研推荐系统 考研分数线预测 中公考研爬虫 混合神经网络推荐算法 考研可视化 机器学习 深度学习 大数据毕业设计
从业计算机毕业设计10年，打算用一年时间分享10年毕设经验！
07-18 1155
计算机毕业设计Django+Vue.js考研推荐系统 考研分数线预测 中公考研爬虫 混合神经网络推荐算法 考研可视化 机器学习 深度学习 大数据毕业设计
从统计学、到机器学习和ChatGPT
2301_79425796的博客
07-19 399
从统计学、到机器学习和ChatGPT
【机器学习】机器学习与语音识别的融合应用与性能优化新探索
qq_61024956的博客
07-19 2930
机器学习作为语音识别领域的重要技术，已经在多个应用场景中取得了显著的成果。通过对数据的深入挖掘和模型的不断优化，机器学习技术将在语音识别中发挥更大的作用，推动智能语音技术的发展。以上是对机器学习在语音识别中的理论、算法与实践的全面介绍，希望能够为从事相关研究和应用的人员提供有益的参考。
机器学习周报第四周（7.15-7.21）
最新发布
weixin_51923997的博客
07-21 989
本周学习了 batch，以及当 batch size过大或过小时的对比分析。对Momentum与梯度下降相结合进行优化模型的方法进行分析。在进行梯度下降过程中，学习率是一个重要的参数，学习率的大小决定着模型训练的平滑程度和稳定性。本文介绍了如何自动调整学习率，学习率会随着梯度的改变而改变。从而在各个情况下采用合适的学习率。同时也介绍了Adagard算法和Prop算法，Learning Rate Decay和Warm up是机器学习中的优化技术，这两种方式可以改变学习率中的η\etaη，将η\etaη。
监督学习笔记：Andrew Ng的CS229课程解析
"这篇资源是Andrew Ng教授的CS229课程笔记，涵盖了监督学习的主题。笔记中通过波特兰47个房屋的居住面积和价格数据来解释监督学习的概念，并展示了如何利用这些数据来预测其他房屋的价格。" 在机器学习领域，CS229...

“相关推荐”对你有帮助么？

  • 非常没帮助
  • 没帮助
  • 一般
  • 有帮助
  • 非常有帮助
提交
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
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