AI-矩阵分解和梯度下降

一、矩阵分解

1、AI=算法（经典+人工智能）+算力（巨型机可实现）+数据
2、推荐系统是协同过滤算法的典型应用场景，可用于对未评分物品进行评分的预测；矩阵分解是基础。
3、矩阵分解的过程中，原始的评分矩阵

可以近似表示为 P(m,K)和Q(K,n)的乘积，并且矩阵的预测值可以表示为

4、预测值可近似为真实值，求出矩阵P和Q即可，使用构造损失函数的方法：
（1）损失函数(loss)：评分矩阵真实值与预测值差的平方；
（2）保证构造的损失函数值越来越小。
5、Python代码如下：

二、梯度下降

1、一元函数：梯度是该函数的导数，相当于斜率；二元函数：梯度是该函数的偏导数：

2、若需要找的是函数极小点，应从负梯度的方向寻找，该方法称之为梯度下降法，反之为梯度上升法。
3、梯度下降法公式：

4、梯度下降法步骤：
（1）设定两个较小的正数η,ε
（2）求此时的各个偏导数
（3）代入梯度下降公式，求出参数变化量
（4）若（3）中变化量小于ε，退出；否则返回（2）