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