對博文機器學習入門--協同過濾演算法[推薦演算法]）中，電影推薦示例的通俗理解。
業務描述：
1、有"小明"，"小花"，"小美"，"小張"，"小李"這5個使用者。
2、有"電影1"，"電影2"，"電影3"，"電影4"，"電影5"，"電影6"，"電影7"這7部電影。
3、每個使用者可以對看過的電影打整數分值，最低分1分，最高分5分，0分表示沒有看過該電影。收集的打分資料如下：
，表示小明對電影1至電影5的打分，小明沒有看過電影6和電影7，下同。
4、只為使用者推薦他/她未看過的電影。
不說那些嚇人的演算法理論！！！
中國有句古語「人以類聚,物以群分」。小明的朋友非常喜歡的電影，小明應該也喜歡。小明的朋友有哪些，或者說他平時和誰「走的最近呢」？聯想到大學裡學的空間兩個點的距離計算公式，點a的三維空間座標為(x1, y1, z1)，點b的座標為(x2, y2, z2)，ab的距離等於
同理，ac、ad、ae。。。等的距離都可以計算出來。距離越近表示和a點越「志同道合」、「趣味相投」。
回到本例，可以將小明對7部電影的打分看作他在「電影藝術空間」裡的座標。分別計算小明與小花、小美等的距離，分別為：
小明與小花的「距離」：8.18535277187245
小明與小美的「距離」：6.244997998398398
小明與小張的「距離」：4.123105625617661
小明與小李的「距離」：9.0
顯然，小明依次與小張、小美「走的最近」，是好朋友（注：暫時只取兩位好友）。小張、小美對每部電影的喜好，或者量化為打分，將影響到系統為小明的推薦結果。那就綜合一下小張、小美的電影打分，按如下公式計算每部電影的推薦度：
不難理解，推薦度越高，且小明沒有看過的電影，應該被推薦給小明，應該是電影6。
考慮一些特殊情況。
1、如果小張從未對電影進行過打分，即第一次使用該推薦系統，則別人打分值較高的電影應該被推薦。經過計算測試就是這種效果，比較符合一般人的常識。
2、如果某電影剛剛上映不久，雖然口碑非常好，如《戰狼2》，但打分的人數較少，上述演算法就有缺陷。
3、如果某電影已上映好幾年了，但由於某些原因，打分的人數寥寥無幾，上述演算法也會有缺陷。
通俗理解EM演算法
如果使用基於最大似然估計的模型，模型中存在隱變數，就要用em演算法做引數估計。個人認為，理解em演算法背後的idea，遠比看懂它的數學推導重要。idea會讓你有乙個直觀的感受，從而明白演算法的合理性，數學推導只是將這種合理性用更加嚴謹的語言表達出來而已。打個比方，乙個梨很甜，用數學的語言可以表述為糖...
推薦演算法一 基礎概念理解
隨著人工智慧的不斷發展，機器學習這門技術也越來越重要，很多人都開啟了學習機器學習，本文就介紹了機器學習的基礎內容。扯犢子，想轉行學 推薦演算法，記錄一下學習歷程！1.讓使用者更快更好地獲取到自己需要的內容 2.讓內容更好更快的被推薦到喜歡它的使用者 3.讓 平台 更有效的保留使用者資源 1.知你所想...
通俗理解RxJS（一）
自學 rx 快有乙個周了，它非常適合處理複雜的非同步場景。結合自己所學，決定寫系列教程。我認為，rx 中強大的地方在於兩處 在 rx 中，我們先預裝好管道，通過管道流通資料 這些管道的 多種，create from，fromevent，of 通過操作符將管道 拼接，合併，對映.形成最終的資料模型 對...