标签：吴恩达 filtering Collaborative 爱情片 16 week16 算法 过滤 Systems

吴恩达机器学习笔记week16——推荐系统 Recommender Systems

• • 16-1.问题规划 Problem formulation——机器学习自动学习选取一系列适合的特征
  • 16-2.基于内容的推荐算法 Content-based recommendations
  • 16-3.协同过滤 Collaborative filtering——特征学习
  • 16-4.协同过滤算法 Collaborative filtering algorithm——综合
  • 16-5.矢量化：低轶矩阵分解 Vectorization:Low rank matrix factorization——协同过滤算法的向量化实现&&该算法的应用
  • 16-6.实施细节：均值规范化Implementational detail: Mean mormalization——均值归一化

16-1.问题规划 Problem formulation——机器学习自动学习选取一系列适合的特征

运用已知预测未知的数据

16-2.基于内容的推荐算法 Content-based recommendations

线性回归问题
先得到每个电影是爱情片还是动作片的程度（对于每个电影有特征向量），
由此计算出每个人对于爱情片和动作片的喜爱程度（即参数theta）

• 相关参数
  
• 优化函数
  
• 梯度下降算法
  

16-3.协同过滤 Collaborative filtering——特征学习

先得到每个人对于爱情片和动作片的喜爱程度，
由此计算出每个电影是爱情片还是动作片的程度

• 优化函数
  
  上个视频和这个视频的总结：
  k-means也是通过不断迭代得到最优
  

16-4.协同过滤算法 Collaborative filtering algorithm——综合

• 新的优化函数/代价函数
  
  区别：x_0=1去掉，x和theta都是n维向量

• 总结步骤 ：
  

16-5.矢量化：低轶矩阵分解 Vectorization:Low rank matrix factorization——协同过滤算法的向量化实现&&该算法的应用

通过已看的电影，推荐下一部电影
两个电影特征向量之间距离最小

16-6.实施细节：均值规范化Implementational detail: Mean mormalization——均值归一化

问题：有人未对任何一种电影进行评价

使均值为0

标签：吴恩达,filtering,Collaborative,爱情片,16,week16,算法,过滤,Systems
来源： https://blog.csdn.net/Saulty/article/details/109399403

本站声明： 1. iCode9 技术分享网（下文简称本站）提供的所有内容，仅供技术学习、探讨和分享；
2. 关于本站的所有留言、评论、转载及引用，纯属内容发起人的个人观点，与本站观点和立场无关；
3. 关于本站的所有言论和文字，纯属内容发起人的个人观点，与本站观点和立场无关；
4. 本站文章均是网友提供，不完全保证技术分享内容的完整性、准确性、时效性、风险性和版权归属；如您发现该文章侵犯了您的权益，可联系我们第一时间进行删除；
5. 本站为非盈利性的个人网站，所有内容不会用来进行牟利，也不会利用任何形式的广告来间接获益，纯粹是为了广大技术爱好者提供技术内容和技术思想的分享性交流网站。