摘要：
参考文档：matrix calculus简单实用 阅读全文
摘要：
1.autoencoderautoencoder的目标是通过学习函数，获得其隐藏层作为学习到的新特征。从L1到L2的过程成为解构，从L2到L3的过程称为重构。每一层的输出使用sigmoid方法，因为其输出介于0和1之间，所以需要对输入进行正规化使用差的平方作为损失函数 2.sparse spare的... 阅读全文
摘要：
内容来自ufldl，代码参考自tornadomeet的cnnCost.m1.Forward PropagationconvolvedFeatures = cnnConvolve(filterDim, numFilters, images, Wc, bc); %对于第一个箭头activationsPo... 阅读全文
摘要：
0.目录前置知识思路介绍详述1 确定h的中心点2 算法步骤java实现1.前置知识 本文内容基于《Accelerating exact k-means algorithms with geometric reasoning》 KDTree k-means 2.思路介绍 k-mean... 阅读全文
摘要：
本文内容基于An introductory tutoril onkd-trees1.KDTree介绍KDTree根据m维空间中的数据集D构建的二叉树，能加快常用于最近邻查找（在加快k-means算法中有应用）。其节点具有如下属性（对应第5节中的程序实现）：非叶子节点（不存储数据）：partition... 阅读全文
摘要：
场景：一个新妈妈给刚出生的宝宝买用品，随着宝宝的长大，不同的阶段需要不同的物品。这个场景中涉及到考虑用户所处阶段，给用户推荐物品的问题。如果使用用户协同过滤，则需要根据购买记录，找到与用户处于同一阶段的用户。不加入分类信息，单纯使用物品信息，则可能因为买了不同牌子的尿布，而判断为非相似用户，所以加入... 阅读全文
摘要：
代码：用户标签通过标签将用户和物品联系起来标签的作用：1.物品相关：物品的属性（时间，创作者等）2.用户相关：用户对物品的看法、任务（待读等）算法：1.简单算法（推荐用户常用标签下的热门物品） 计算用户对物品的喜好 $p(u,i)=\sum_b \frac{n_{u,b}}{log(1+n_b^{(... 阅读全文
摘要：
注意：$\alpha$和$\beta$已知，常用为（和LDA EM算法不同）1. 为什么可用LDA模型求解的目标为得到$\phi$和$\theta$假设现在已知每个单词对应的主题$z$，则可以求得$\theta$的后验分布，求期望得到$E(\theta)$作为每份文档的主题$E(\theta_{mk... 阅读全文
摘要：
1.LDA介绍LDA假设生成一份文档的步骤如下：模型表示：单词w：词典的长度为v，则单词为长度为v的，只有一个分量是1，其他分量为0的向量 $(0,0,...,0,1,0,...,0,0)$文档W: 单词的组合，$(w_1,w_2,...,w_N)$，可以看成是 $v*N$ (词典长度*单词个... 阅读全文
摘要：
# coding=gbk'''选择用户反馈的物品将评分>3定义为喜欢'''import pandas as pdimport numpy as npimport copy#获取区分度def getDiff(userRates,movie): like=dict() dislike=dic... 阅读全文