目录

菠萝🍍的博客

有谁不喜欢吃菠萝呢

标签: 机器学习 (21)

吴恩达机器学习5-5(控制语句)

吴恩达机器学习5-5(控制语句)

吴恩达机器学习5-4(数据绘制)

吴恩达机器学习5-4(数据绘制)

吴恩达机器学习5-3(计算数据)

吴恩达机器学习5-3(计算数据)

吴恩达机器学习5-2(octave移动数据)

吴恩达机器学习5-2(octave移动数据)

吴恩达机器学习5-1(octave基本操作)

吴恩达机器学习5-1(octave基本操作)

吴恩达机器学习4-6(正规方程 区别于迭代方法)

该文章已经加密。

【转载】浅谈矩阵分解在推荐系统中的应用

浅谈矩阵分解在推荐系统中的应用 原文地址:浅谈矩阵分解在推荐系统中的应用 为了方便介绍,假设推荐系统中有用户集合有6个用户,即U={u1,u2,u3,u4,u5,u6},项目(物品)集合有7个项目,即V={v1,v2,v3,v4,v5,v6,v7},用户对项目的评分结合为R,用户对项目的评分范围是[0, 5]。R具体表示如下: 推荐系统的目标就是预测出符号“?”对应位置的分值。推荐系统基于这样一个假设:用户对项目的打分越高,表明用户越喜欢。因此,预测出用户对未评分项目的评分后,根据分值大小排序,把分值高的项目推荐给用户。怎么预测这些评分呢,方法大体上可以分为基于内容的推荐、协同过滤推荐和混合推荐三类,协同过滤算法进一步划分又可分为基于基于 内存的推荐(memory-based)和基于 模型的推荐(model-based),本文介绍的矩阵分解算法属于基于模型的推荐。 矩阵分解算法的数学理论基础是矩阵的行列变换。在《线性代数》中,我们知道矩阵A进行行变换相当于A左乘一个矩阵,矩阵A进行列变换等价于矩阵A右乘一个矩阵,因此矩阵A可以表示为A=PEQ=PQ(E是标准阵)。 矩阵分解目标就是把....

吴恩达机器学习4-5(特征和多项式回归)

该文章已经加密。

吴恩达机器学习4-4(多元梯度下降法-学习率)

该文章已经加密。

吴恩达机器学习4-3(多元梯度下降法演练-特征缩放)

该文章已经加密。

吴恩达机器学习4-2(多元梯度下降法)

该文章已经加密。

吴恩达机器学习4-1(多功能)

该文章已经加密。

吴恩达机器学习3-6(逆和转置)

该文章已经加密。

吴恩达机器学习3-5(矩阵乘法特征)

该文章已经加密。

吴恩达机器学习3-4 (矩阵乘法)

该文章已经加密。

吴恩达机器学习3-3 (矩阵向量乘法)

该文章已经加密。

吴恩达机器学习3-2(矩阵加法)

吴恩达机器学习3-2(矩阵加法)

吴恩达机器学习3-1(矩阵和向量)

吴恩达机器学习3-1(矩阵和向量)

吴恩达机器学习三(线性回归的梯度下降)

该文章已经加密。

吴恩达机器学习二(代价函数)

吴恩达机器学习笔记