fast.ai 深度学习笔记:第一部分第五课
原文:Deep Learning 2: Part 1 Lesson 5
作者:Hiromi Suenaga
- 课程论坛
一,引言
没有足够的关于结构化深度学习的出版物,但它肯定出现在行业中:
结构化深度学习,作者:Kerem Turgutlu @datascience.com
你可以使用此工具从 Google 下载图片并解决自己的问题:
小型图像数据集的乐趣(第2部分),作者:Nikhil B @datascience.com
我们如何“训练”神经网络?,由 Vitaly Bushaev @datascience.com
学生们在 Kaggle 幼苗分类比赛中与 Jeremy 竞争。
II. 协同过滤 - 使用 MovieLens 数据集
讨论的笔记本可以在这里找到(lesson5-movielens.ipynb
)。
我们来看看数据。 我们将使用userId
(类别), movieId
(类别)和rating
(因变量)进行建模。
ratings = pd.read_csv(path+'ratings.csv')
ratings.head()
为 Excel 创建子集
我们创建了最受欢迎的电影和大多数电影狂热粉的交叉表,我们将其复制到 Excel 中进行可视化。
g=ratings.groupby('userId')['rating'].count()
topUsers=g.sort_values(ascending=False)[:15]
g=ratings.groupby('movieId')['rating'].count()
topMovies=g.sort_values(ascending=False)[:15]
top_r = ratings.join(topUsers, rsuffix='_r', how='inner', on='userId')
top_r = top_r.join(topMovies, rsuffix='_r', how='inner', on='movieId')
pd.crosstab(top_r.userId, top_r.movieId, top_r.rating, aggfunc=np.sum)
这是包含上述信息的 excel 文件。 首先,我们将使用矩阵分解而不构建神经网络。
每个预测是电影嵌入向量和用户嵌入向量的点积。 在线性代数术语中,它等于矩阵乘积,因为一个是行,一个是列。 如果没有实际评级,我们将预测设置为零(将其视为测试数据 - 而不是训练数据)。
然后我们使用梯度下降来减少损失。 Microsoft Excel 在加载项中有一个“求解器”,可以通过更改所选单元格来最小化变量(GRG Nonlinear
是你要使用的方法)。
我们如何处理新用户或新电影 - 我们是否需要重新训练模型? 我们现在没有时间来讨论这个问题,但基本上你需要有一个新的用户模型或最初会使用的新电影模型,随着时间的推移你需要重新训练模型。
fast.ai 深度学习笔记:第一部分第五课相关推荐
- fast.ai 深度学习笔记:第一部分第一课
原文:Deep Learning 2: Part 1 Lesson 1 作者:Hiromi Suenaga 课程论坛 入门 [0:00]: 为了训练神经网络,你肯定需要图形处理单元(GPU) - 特别 ...
- fast.ai 深度学习笔记:第一部分第二课
原文:Deep Learning 2: Part 1 Lesson 2 作者:Hiromi Suenaga 论坛 笔记本 回顾上一课 [01:02] 我们使用 3 行代码来构建图像分类器. 为了训练模 ...
- fast.ai 深度学习笔记:第一部分第四课
原文:Deep Learning 2: Part 1 Lesson 4 作者:Hiromi Suenaga 课程论坛 学生的文章: 改善学习率的方式 循环学习率技术 探索带有重启动的随机梯度下降(SG ...
- fast.ai 深度学习笔记:第一部分第三课
原文:Deep Learning 2: Part 1 Lesson 3 作者:Hiromi Suenaga 课程论坛 学生创建的有用材料: AWS 操作方法 TMUX 第 2 课总结 学习率查找器 P ...
- 动手深度学习笔记(四十五)8.1. 序列模型
动手深度学习笔记(四十五)8.1. 序列模型 8.1. 序列模型 8.1.1. 统计工具 8.1.1.1. 自回归模型 8.1.1.2. 马尔可夫模型 8.1.1.3. 因果关系 8.1.2. 训练 ...
- 深度学习笔记第一门课第一周:深度学习引言
本文是吴恩达老师的深度学习课程[1]笔记部分. 作者:黄海广[2] 主要编写人员:黄海广.林兴木(第四所有底稿,第五课第一二周,第三周前三节).祝彦森:(第三课所有底稿).贺志尧(第五课第三周底稿). ...
- 《DeepLearning.ai 深度学习笔记》发布,黄海广博士整理
深度学习入门首推课程就是吴恩达的深度学习专项课程系列的 5 门课.该专项课程最大的特色就是内容全面.通俗易懂并配备了丰富的实战项目.今天,给大家推荐一份关于该专项课程的核心笔记!这份笔记只能用两个字形 ...
- 第4篇 Fast AI深度学习课程——深度学习在回归预测、NLP等领域的应用
前面几节叙述了卷积神经网络在图像分类中的应用,本节将描述深度学习网络在诸如回归预测.自然语言处理等领域的应用.主要内容如下: Drop Out策略,以及Fast.AI附加层架构分析. 结构化时间序列的 ...
- 深度学习笔记第一门课第二周:神经网络的编程基础(下)
本文是吴恩达老师的深度学习课程[1]笔记部分. 作者:黄海广[2] 主要编写人员:黄海广.林兴木(第四所有底稿,第五课第一二周,第三周前三节).祝彦森:(第三课所有底稿).贺志尧(第五课第三周底稿). ...
最新文章
- java sessionid放入cookie_sessionID和cookie
- android 文本左对齐,在Android中与文本左可绘制对齐
- mac 安装 python 配置||虚拟环境
- docker多个容器一起打包_docker如何将容器打包成镜像
- 医疗小程序源码_不懂商城小程序源码,如何快速创建小程序商城?
- 4005基于邻接表的顶点的删除(C++,附思路)
- 【vue项目使用echarts实现区域地图绘制,且可点击单独区域】
- java mysql proxy_Amoeba是一个类似MySQL Proxy的分布式数据库中间代理层软件,是由陈思儒开发的一个开源的java项目...
- 利用vuex和localStorage实现vue菜单权限管理(笔记)
- PyTorch:tensor-数学API
- 解决okhttp的java.lang.IllegalStateException: closed错误
- W5500连不上的问题
- 【美赛备赛】word编辑公式全攻略
- 什么是反向跟单?反向跟单怎么运作?
- Linux后台运行程序最实用的两种方式
- 【中文乱码】深入分析 Java Web 中的中文编码问题
- 基于Yahoo网站性能优化的34条军规及自己的见解
- Python和FFmpeg将语音记录转换成可共享的视频,非常炫酷。
- 洛谷P5520 [yLOI2019] 青原樱 题解
- 仿蘑菇街界面应用(1)