吴恩达老师机器学习课程chapter10——推荐算法
本文是非计算机专业新手的自学笔记，高手勿喷。
本文仅作速查备忘之用，对应吴恩达(AndrewNg)老师的机器学期课程第十六章。
缺少数学证明，仅作入门了解。
目录
吴恩达老师机器学习课程chapter10——推荐算法
基于内容的推荐算法
协同过滤
推荐系统是什么？举例如下:
推荐算法的目的在于，通过该用户以往的打分情况，决定推荐什么内容给该用户。
基于内容的推荐算法
\(x_i^{(n)}\)表示第 n 部电影当中第 i 个特征 ，并且也会加上表示常数的\(x_0=1\)。
该模型需要学习出参数向量\(\theta^{(j)} \in \mathbb{R}^{3}\)，帮助用户 j 给电影 i 打分为 \(\left(\theta^{(j)}\right)^{T} x^{(i)}\)。
转变为最优问题如下：
利用梯度下降法解最优问题：
协同过滤
需要基于内容设计推荐算法的话，就需要得到一个新电影的特征$ x^{(i)} = [x_1, x_2 \dots x_n] $ 。
这时候，可以通过已有的用户的$ \theta^{(j)} $ 以及 用户给一部新电影的打分\(y(i,j)\) 来推测电影的特征。
问题转化为最优问题：
学习$ \theta^{(j)} \(与学习\)x^{(i)}$ 的过程是很相像的，是互相的。
那么，可以再最初任何参数都不确定的情况下，可以随机初始化θ，得到x，再由x，得到θ，如此循环往复，不停迭代，就会得到一组相对合理的θ与x。
【为什么 θ0 和 x0 在这里不体现？没有数学推导，所以不理解。】
写成矩阵形式：
关于 “相似 ”：
对于完全没有评过分的新用户，可对模型进行均值规格化，以给新用户推荐平均分较高的内容：
