糖心vlog官网观看

Diese Woche arbeiten wir mit Clustering, einer der beliebtesten Methoden des un眉berwachten Lernens. Letzte Woche haben wir PCA verwendet, um eine niedrigdimensionale Darstellung der Daten zu finden. Clustering hingegen findet Untergruppen unter den Beobachtungen. Wir k枚nnen eine aussagekr盲ftige Intuition der Datenstruktur erhalten oder ein Verfahren wie Cluster-then-predict verwenden. Clustering hat mehrere Anwendungen, die von der Kundensegmentierung im Marketing und in der Werbung 眉ber die Identifizierung 盲hnlicher Filme/Musik bis hin zur Genomforschung und der Entdeckung von Krankheitssubtypen reichen. Wir werden uns vor allem auf das K-Means-Clustering und das hierarchische Clustering konzentrieren und dabei die Vor- und Nachteile beider Verfahren sowie die Wahl von Metriken wie Distanz oder Verkn眉pfung ber眉cksichtigen. In dieser Woche gibt es Lekt眉re, ein Quiz und ein Jupyter-Notebook-Labor/Peer Review.

Diese Woche arbeiten wir mit Recommender Systems. Websites wie Netflix, Amazon und YouTube zeigen personalisierte Empfehlungen 蹿眉谤 Filme, Artikel oder Videos an. In dieser Woche untersuchen wir die Strategien von Empfehlungsmaschinen, um die Vorlieben der Benutzer vorherzusagen. Wir werden uns mit Popularit盲t, inhaltsbasierten und kollaborativen Filterans盲tzen befassen und welche 脛丑苍濒颈肠丑keitsmetriken zu verwenden sind. Bei der Arbeit mit Empfehlungssystemen gibt es immer wieder Herausforderungen wie die zeitliche Komplexit盲t von Operationen und sp盲rliche Daten. Diese Woche ist relativ rechenintensiv. Sie werden ein Quiz haben, in dem Sie mit verschiedenen Berechnungen von 脛丑苍濒颈肠丑keitsmetriken arbeiten werden. Nehmen Sie sich Zeit 蹿眉谤 das Jupyter-Notebook-Labor in dieser Woche und 眉berlegen Sie sich leistungsf盲hige Implementierungen. Der Abschnitt Peer Review ist diese Woche kurz.

Wir sind bereits bei der letzten Woche des Kursmaterials angelangt! Machen Sie sich bereit 蹿眉谤 eine weitere dichte Mathe-Woche. Letzte Woche haben wir etwas 眉ber Empfehlungssysteme gelernt. Wir haben die Neighborhood-Methode der kollaborativen Filterung unter Verwendung von 脛丑苍濒颈肠丑keitsma脽en verwendet. Latent Factor Models, einschlie脽lich der beliebten Matrix Factorization (MF), k枚nnen ebenfalls 蹿眉谤 Collaborative Filtering verwendet werden. Eine Ver枚ffentlichung in Nature aus dem Jahr 1999 machte die nicht-negative Matrix-Faktorisierung extrem popul盲r. MF hat viele Anwendungen, darunter Bildanalyse, Textmining/Themenmodellierung, Empfehlungssysteme, Audiosignaltrennung, analytische Chemie und Genexpressionsanalyse. In dieser Woche konzentrieren wir uns auf Singular Value Decomposition, Non-negative Matrix Factorization und Approximationsmethoden. In dieser Woche haben wir Lekt眉re, ein Quiz und ein Kaggle-Miniprojekt, bei dem die Matrixfaktorisierung zur Kategorisierung von Nachrichtenartikeln eingesetzt wird.