吴恩达机器学习总结:第十三 推荐系统(大纲摘要及课后作业)

本文总结了吴恩达机器学习课程中关于推荐系统的知识点,包括基于内容的推荐、协作过滤算法的原理、特点和优化方法,以及低秩矩阵分解的应用。通过对电影评分预测的案例,阐述了如何利用梯度下降和正则化进行模型训练,并介绍了如何实现推荐系统。

摘要生成于 C知道 ,由 DeepSeek-R1 满血版支持, 前往体验 >

为了更好的学习,充分复习自己学习的知识,总结课内重要知识点,每次完成作业后都会更博。

英文非官方笔记

总结

1.推荐系统-介绍

(1)ML系统的重要应用

    a.许多科技公司发现推荐系统很关键(亚马逊,Ebay)

    b.推荐系统性能提高能带来更多收入

(2)推荐系统不是一种技术,而是一种想法

(3)例子—预测电影评分

2.基于内容的推荐

(1)问题描述


(2)定义

    a.电影Love at Last可表示为:


    b.同理数据集为{ x1x2x3x4x5}

    c.用户j会给电影i的评分为:(θj)x= stars

3.如何学习

(1)代价函数

评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值