吴恩达机器学习笔记week16——推荐系统 Recommender 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