1、ai=演算法（經典+人工智慧）+算力（巨型機可實現）+資料
2、推薦系統是協同過濾演算法的典型應用場景，可用於對未評分物品進行評分的**；矩陣分解是基礎。
3、矩陣分解的過程中，原始的評分矩陣
可以近似表示為 p(m,k)和q(k,n)的乘積，並且矩陣的**值可以表示為
4、**值可近似為真實值，求出矩陣p和q即可，使用構造損失函式的方法：
（1）損失函式(loss)：評分矩陣真實值與**值差的平方；
（2）保證構造的損失函式值越來越小。
5、python**如下：
1、一元函式：梯度是該函式的導數，相當於斜率；二元函式：梯度是該函式的偏導數：
2、若需要找的是函式極小點，應從負梯度的方向尋找，該方法稱之為梯度下降法，反之為梯度上公升法。
3、梯度下降法公式：
4、梯度下降法步驟：
（1）設定兩個較小的正數η,ε
（2）求此時的各個偏導數
（3）代入梯度下降公式，求出引數變化量
（4）若（3）中變化量小於ε，退出；否則返回（2）
梯度下降（批量 隨機）和非負矩陣分解
原文 一 梯度下降 批量 隨機 梯度下降 gd 是最小化風險函式 損失函式的一種常用方法，隨機梯度下降和批量梯度下降是兩種迭代求解思路，下面從公式和實現的角度對兩者進行分析，如有哪個方面寫的不對，希望糾正。下面的h x 是要擬合的函式，j theta 損失函式，theta是引數，要迭代求解的值，th...
基於隨機梯度下降的矩陣分解演算法
import pandas as pd import numpy as np import os def difference left,right,on 求兩個dataframe的差集 df pd.merge left,right,how left on on 引數on指的是用於連線的列索引名稱 ...
AI入門 反向傳播和梯度下降
上一節中提到，分類函式是神經網路正向傳播的最後一層。但是如果要進行訓練，我們只有 結果是不夠的，我們需要拿 結果跟真實值進行對比，根據對比結果判斷我們的神經網路是不是夠好。也就是說我們需要在分類函式後面增加一層 計算損失值。計算損失值這一層才是神經網路真正的最後一層。有了損失值之後，我們反過來優化每...