考试月占据了我全部时间,现在专业课终于考完了,还剩几个大作业和几个专业选修课的考试,其中一个就是人工智能。人工智能要作一篇报告,分享自己所学的人工智能领域的知识,时长大概15min。恰逢腾讯技术微信公众号出了三篇推荐系统的讲解,我就打算以这个为原型做一次分享。可是看腾讯的三篇文章,我是一头雾水,许多数学知识没有学过,严重阻碍了对文章的理解。经过大量努力,终于理解了其中的核心内容,现在写一篇博客整合一下相关知识,供自己和后人参考,希望任何层次阶段的同学都能看懂并有所收获。
说实话,以前更新的文章都是偏向于应用,这一次更新的文章感觉更偏向于理论模型,当然是因为我太菜,所以感觉这次更新的东西蛮高大上的。不多说了,先看看腾讯的三篇文章:
里面涉及到大量数学知识,所以我打算分几次更新完这次的内容,全部写在一起不利于阅读。这篇我就列一个提纲,算是说一说接下来准备记录的内容:
- 矩阵基础
- 置信度
- 矩阵分解算法
- 范数与2范数
- 残差平方和
- 最小二乘法与交替最小二乘法
- 召回与精排
- 超参数
这篇文章先说基础的基础:
1. 矩阵基础
1.1 矩阵乘法
是一个矩阵,我们可以把它看做一个3*3的矩阵,因为水平竖直方向均有3列数。前面的3指的是排数,后面的3指的是列数。这个主要是帮助大家唤起对线性代数的记忆,毕竟很久以前学的,忘了大半了。
矩阵就是一个数列,而矩阵间是可以进行计算的,如:
1.2 矩阵的秩
m × n矩阵的秩最大为m和n中的较小者,表示为 min(m,n), 第一个3*3的矩阵,矩阵的秩为3。但是这是有前提的,即该矩阵通过初等行列变换之后的非零行或者非零列。
1.3 内积
也称点积。看下式:
当点积是两个矩阵相乘的时候:
是的转置矩阵
1.4 奇异值与特征值
特征值:一矩阵A作用与一向量a,结果只相当与该向量乘以一常数λ。即A*a=λa,则a为该矩阵A的特征向量,λ为该矩阵A的特征值。
奇异值:设A为m*n阶矩阵,的n个特征值的非负平方根叫作A的奇异值。记为σi(A)
是转置共轭矩阵。
2. 置信度
置信度是统计学概念,简单说就是对某种事物发生的真实概率在概率区间内的百分比,这个概率区间就是置信区间。举个例子,我在某一次模拟考中考了65分,我在最终的期末考中,考(60,70)的概率是95%,则可以说我在期末考试中,在置信区间(60,70)的置信度是0.95 。