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

如何训练神经网络的介绍（一篇伟大的技术写作）：

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）。

这可称为“浅学习”（与深度学习相反），因为没有非线性层或第二线性层。那么我们直觉上做了什么呢？每部电影的五个数字称为“嵌入”（潜在因式） - 第一个数字可能代表科幻和幻想的程度，第二个数字可能是电影使用了多少特效，第三个可能是对话驱动的程度。与之类似，每个用户还有 5 个数字，例如，表示用户喜欢幻想，特效和对话驱动的电影的程度。我们的预测是这些向量的叉乘。由于我们没有每个用户的每个电影评论，因此我们试图找出哪些电影与这部电影相似，以及其他用户评价其他电影，如何与这个用户评价这个电影类似（因此称为“协同”）。

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). ...

fast.ai 深度学习笔记：第一部分第五课

一，引言

II. 协同过滤 - 使用 MovieLens 数据集

为 Excel 创建子集

fast.ai 深度学习笔记：第一部分第五课相关推荐

最新文章

热门文章