吴恩达《机器学习》课程总结(16)推荐系统

简介: 16.1问题形式化(1)讲推荐系统的原因主要有以下几点:1.推荐系统是一个很重要的机器学习的应用,虽然在学术界上占比较低,但是在商业应用中非常的重要,占有很高的优先级。2.传达机器学习的一个大思想:特性是可以学习而来的,不需要人工去选择。

16.1问题形式化

(1)讲推荐系统的原因主要有以下几点:

1.推荐系统是一个很重要的机器学习的应用,虽然在学术界上占比较低,但是在商业应用中非常的重要,占有很高的优先级。

2.传达机器学习的一个大思想:特性是可以学习而来的,不需要人工去选择。

(2)说明的案例:电影推荐系统

希望创建一个算法来预测每个人可能会给他们没看过的电影打多少分,并以此作为推荐依据。

(3)此外引入一些标记:

nu代表用户的数量,

nm代表电影的数量,

r(i,j)如果用户j给电影i评过分则r(i,j)=1,

y(i,j)代表用户j给电影打的分数,

mj表示用户评分的电影的总数。

16.2基于内容的推荐系统

(1)总结:基于内容其实就是已经有了电影的特征X,然后求拟合的参数θ,后面提到的基于用户,则是已经有了参数θ,来求拟合的电影特征X。

(2)假设每部电影已知特征(基于内容):

参数说明:θ(j)表示用户j的参数,x(i)表示电影i的特征,

对于用户j和电影i,我们预测评分为:(θ(j))Tx(i)

对于单用户的代价函数(省略了样本数m,对θ0不做正则化,只计算有评分的)如下:

故对于所有用户的代价函数为:

梯度下降式的梯度更新方式:

16.3协同过滤

(1)基于用户的(即已知用户的参数θ,求电影特征x),其代价函数为:

(2)协同过滤算法是既不知道特性X,也不知道用户参数θ时同时对二者进行优化。

其代价函数为:

对代价函数求偏导数:

(3)协同过滤的算法步骤:

1.初始化x(1),x(2),……,x(nm)(1)(1),……,θ(nu)为一些随机小值;

2.使用梯度下降算法最小化代价函数;

3.在训练完算法后,我们预测(θ(j))Tx(i)为用户j给电影i的评分。

(4)如何给用户推荐:

1.根据计算出来的评分,把该用户评分高的电影给该用户;

2.如果用户观看某电影,根据计算电影特征间的相似度,推荐相似的电影给该用户。

16.4协同过滤算法

16.5向量化:低秩矩阵分解

将数据集评分存储在矩阵中->通过协同过滤学习得到元素为(θ(j))Tx(i)的预测矩阵->根据电影特征距离求电影间的相似性

16.6推行工作的细节

总结:怎么给新用户推荐电影(会把每部电影的平均分作为该用户的评分)

(1)用户评分数据以及新用户Eve:

(2)对每部电影做均值归一化,然后作为数据来训练模型

(3)预测的值加上该电影的均值为最终对电影的评分:

(4)学习到的模型会把每部电影的平均分作为新用户对电影的评分。

相关文章
|
1月前
|
机器学习/深度学习 存储 搜索推荐
利用机器学习算法改善电商推荐系统的效率
电商行业日益竞争激烈,提升用户体验成为关键。本文将探讨如何利用机器学习算法优化电商推荐系统,通过分析用户行为数据和商品信息,实现个性化推荐,从而提高推荐效率和准确性。
120 14
|
2天前
|
机器学习/深度学习 搜索推荐 算法
【阿旭机器学习实战】【37】电影推荐系统---基于矩阵分解
【阿旭机器学习实战】【37】电影推荐系统---基于矩阵分解
|
9天前
|
机器学习/深度学习 人工智能 自然语言处理
算法金 | 吴恩达:机器学习的六个核心算法!
吴恩达教授在《The Batch》周报中介绍了机器学习领域的六个基础算法:线性回归、逻辑回归、梯度下降、神经网络、决策树和k均值聚类。这些算法是现代AI的基石,涵盖了从简单的统计建模到复杂的深度学习。线性回归用于连续变量预测,逻辑回归用于二分类,梯度下降用于优化模型参数,神经网络处理非线性关系,决策树提供直观的分类规则,而k均值聚类则用于无监督学习中的数据分组。这些算法各有优缺点,广泛应用于经济学、金融、医学、市场营销等多个领域。通过不断学习和实践,我们可以更好地掌握这些工具,发掘智能的乐趣。
33 1
算法金 | 吴恩达:机器学习的六个核心算法!
|
14天前
|
机器学习/深度学习 搜索推荐 算法
智能推荐系统:机器学习驱动的个性化体验
【6月更文挑战第1天】智能推荐系统借助机器学习分析用户行为和喜好,如观看科幻电影、阅读奇幻书籍、购买休闲服装,以提供个性化推荐。简单示例代码展示了其基本原理,但实际系统更复杂,涉及大量数据处理和高级算法。这项技术使我们的生活更加便捷和多彩。
38 1
|
1月前
|
机器学习/深度学习 数据采集 搜索推荐
探索机器学习在推荐系统中的应用
【5月更文挑战第15天】本文探讨了机器学习在推荐系统中的应用,强调其在数据预处理、个性化建模、内容过滤及解决冷启动问题中的作用。协同过滤、矩阵分解、深度学习和强化学习是常用算法。尽管面临数据处理、准确性与多样性平衡、兴趣变化等挑战,但未来机器学习有望通过结合先进算法提升推荐系统性能,同时需关注隐私和伦理问题。
|
1月前
|
机器学习/深度学习 监控 算法
LabVIEW使用机器学习分类模型探索基于技能课程的学习
LabVIEW使用机器学习分类模型探索基于技能课程的学习
21 1
|
1月前
|
机器学习/深度学习 搜索推荐 算法
【Python 机器学习专栏】基于机器学习的推荐系统实现
【4月更文挑战第30天】本文探讨了机器学习在推荐系统中的应用,阐述了推荐系统的基本原理和常用算法,如协同过滤和基于内容的推荐。详细介绍了基于机器学习的推荐系统实现步骤,包括数据预处理、特征工程、模型选择与训练、评估与优化。Python及其相关库如Scikit-learn、TensorFlow在实现推荐系统中起到关键作用。同时,文章讨论了推荐系统面临的挑战(数据稀疏性、冷启动、实时性)及应对策略,并强调通过持续优化可构建更精准的推荐系统,为用户带来个性化体验。
|
1月前
|
机器学习/深度学习 搜索推荐 算法
python机器学习:推荐系统实现(以矩阵分解来协同过滤)
python机器学习:推荐系统实现(以矩阵分解来协同过滤)
|
1月前
|
机器学习/深度学习 人工智能 算法
机器学习的魔法(一)从零开始理解吴恩达的精炼笔记
机器学习的魔法(一)从零开始理解吴恩达的精炼笔记
|
1月前
|
机器学习/深度学习 搜索推荐 算法
如何利用机器学习提高推荐系统的准确性
【2月更文挑战第3天】推荐系统在现代电商和社交媒体平台上发挥着重要作用。然而,传统的推荐算法面临着许多挑战,例如数据稀疏性、冷启动问题和长尾效应等。本文将介绍如何利用机器学习技术来提高推荐系统的准确性,并探讨一些最新的研究结果和实践经验。