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，精準推薦2.物以類聚
3.人以群分
3.按推薦原則分：相似度推薦（人以類聚、物以群分）、知識/規則推薦（即什麼樣的人推薦什麼樣的內容）、模型推薦（即訓練模型，發現知識/規則，即通過機器學習發現確定什麼人。部分說法將模型推薦歸結於知識/規則推薦）
4.基於資料來源分：基於人口統計學推薦（資料來源為使用者資訊）、基於內容推薦（資料來源為物品資訊）、基於協同過濾（資料來源為行為資料，即使用者和物品之間的關聯關係）
基於協同過濾的推薦演算法又分為基於近鄰的協同過濾和基於模型的協同過濾
基於近鄰：基於使用者的協同過濾user-cf、基於物品的協同過濾item-cf
基於系統：奇異值分析svd、潛在語義分析lsa、支撐向量機svm
基於內容的推薦演算法(cb)資料來源為物品資訊資料
cf可以解決cb的一些侷限：
1.當物品資訊不完全或 難以獲得時，依然可以根據使用者反饋等行為資料給出推薦
2.cf是基於使用者之間對物品評價質量，避免了cb許可權依賴內容可能造成對物品質量判斷的干擾
3.cf推薦不受內容限制，只要其他類似使用者給出了對不同物品的興趣，cf就可以給使用者推薦出內容差異 很大的物品（但存在某種聯絡）
缺點：cf比較依賴歷史資料，若歷史資料比較少，則使用者與物品之間的關係矩陣就稀疏，效果則不明顯；同時，新系統也存在冷啟動問題
1.user-cf 基於使用者之間的相似程度推薦 和基於人口統計學的區別在於：不需要使用者資訊
a使用者喜歡123三個物品，b使用者喜歡1234四個物品，ab比較相似，則向a使用者推薦4物品
2.item-cf基於物品的協同過濾，和 基於內容的推薦的區別在於：不需要物品的資訊
a使用者 喜歡123 b使用者喜歡12 c使用者喜歡1，1和3兩個物品比較相似，則 3推薦給c
1.加權混合：將幾種不同的推薦按一定權重組合起來
2.切換混合：使用兩種或多種推薦演算法在不同需求下進行切換
3.分割槽混合：採取多種機制將不同的推薦結果 按不同的區推薦給使用者
4.分層混合:採取多種機制，將某乙個推薦結果作為另外乙個推薦的輸入，得到更 詳細的推薦
通俗理解「推薦演算法」（一）
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...
Kafka 基礎概念理解
producer 訊息生產者，向 kafka broker 發訊息的客戶端。consumer 訊息消費者，從 kafka broker 取訊息的客戶端。consumer group 消費者組 cg 消費者組內每個消費者負責消費不同分割槽的資料，提高消費能力。乙個分割槽只能由組內乙個消費者消費，消費者...
演算法基礎概念
1 一系列解決問題的清晰指令,能夠在一定規範的輸入 在有限的時間內獲取所要求的輸出 2 如果乙個演算法有缺陷 或者不適合於某個問題 則不能解決某個問題 3 不通的演算法 可能有不同的時間 空間 效率來完成相同的問題 ps 演算法的好壞使用時間複雜度與空間複雜度來衡量 1 有窮性 演算法必須在執行有限...