SVD

基于baseline、svd和stochastic gradient descent的个性化推荐系统

文章主要介绍的是koren08年发的论文[1], 2.3部分内容（其余部分会陆续补充上来）。koren论文中用到netflix数据集，过于大，在普通的pc机上运行时间很长很长。考虑到写文章目地主要是已介绍总结方法为主，所以采用Movielens数据集。变量介绍部分变量介绍可以参看《基于baseline和stochasticgradientdescent的个性化推荐系统》文章中，将介绍两种方法实现的
wxx634897019·2013-10-04 18:00

基于neighborhood models(item-based) 的个性化推荐系统

相关文章:基于baseline和stochasticgradientdescent的个性化推荐系统基于baseline、svd和stochasticgradientdescent的个性化推荐系统转载请注明
wxx634897019·2013-10-04 11:00

矩阵分解大全

常见的矩阵分解有可逆方阵的三角（LU）分解、满秩方阵的正交三角（QR）分解、对称正定矩阵的Cholesky分解，以及任意方阵的Schur分解、Hessenberg分解、EVD分解、任意矩阵SVD分解、GMD
cuishengli·2013-09-11 15:00

奇异值分解(SVD) --- 几何意义

原文：Werecommendasingularvaluedecomposition关于线性变换部分的一些知识可以猛戳这里 奇异值分解(SVD)---线性变换几何意义奇异值分解(Thesingularvaluedecomposition
fennvde007·2013-08-31 08:00

机器学习中的数学-强大的矩阵奇异值分解(SVD)及其应用

一、奇异值与特征值基础知识：特征值分解和奇异值分解在机器学习领域都是属于满地可见的方法。两者有着很紧密的关系，我在接下来会谈到，特征值分解和奇异值分解的目的都是一样，就是提取出一个矩阵最重要的特征。先谈谈特征值分解吧：1）特征值：如果说一个向量v是方阵A的特征向量，将一定可以表示成下面的形式：这时候λ就被称为特征向量v对应的特征值，一个矩阵的一组特征向量是一组正交向量。特征值分解是将一个矩阵分解成
wukk007·2013-08-31 08:33

机器学习中的数学-强大的矩阵奇异值分解(SVD)及其应用

一、奇异值与特征值基础知识：   特征值分解和奇异值分解在机器学习领域都是属于满地可见的方法。两者有着很紧密的关系，我在接下来会谈到，特征值分解和奇异值分解的目的都是一样，就是提取出一个矩阵最重要的特征。先谈谈特征值分解吧：  1）特征值：   如果说一个向量v是方阵A的特征向量，将一定可以表示成下面的形式：   这时候λ就被称为特征向量v对应的特征值，一个矩阵的一组特征向量是一组正交向量。特征值
fennvde007·2013-08-31 08:00

推荐系统：总体介绍、推荐算法、性能比较

总体介绍：探索推荐引擎内部的秘密，第1部分:推荐引擎初探个性化推荐技术漫谈一些推荐算法：SVD：SVD在推荐系统中的应用slopeone：推荐系统：SlopeOne算法apriori：先验算法推荐系统：
u010384318·2013-08-25 18:00

apache的math库中的回归——regression（翻译）

  数学库中还包含，Cholesky，LU，SVD，QR，特征根分解，真不错。
lvdccyb·2013-08-23 17:00

机器学习经典算法12-SVD及其在推荐中的应用

1.基本介绍     就个人看来，其实SVD(singularvalurdecomposition)和PCA的功能是一样的，可以用来降低维度、去除噪声，经过PCA和SVD处理后的数据可以做各种处理，包括之前的各个分类和回归的经典算法等
moodytong·2013-08-19 21:00

SVD分解的理解

原文地址：http://www.bfcat.com/index.php/2012/03/svd-tutorial/SVD分解（奇异值分解），本应是本科生就掌握的方法，然而却经常被忽视。
xceman1997·2013-08-13 13:00

【deep learning学习笔记】Restricted Boltzmann Machines for Collaborative Filtering

AndriyMnih，GeoreyHinton单位：UniversityofToronto发表于：ICML2007主要内容：这篇文章尝试把RBM应用到协同过滤中，在netflix上的数据集做实验，RBM方法与SVD
xceman1997·2013-08-11 19:00

[数学]齐次线性方程组的解、SVD、最小二乘法

AX=0这是一个齐次线性方程组（一般的非齐次线性方程组AX=b其实也都可以化为齐次方程组的形式，所以比较普遍）先要说明在非齐次方程组中，A到底有没有解析解，可以由增广矩阵来判断：r(A)r(A|b)不可能，因为增广矩阵的秩大于等于系数矩阵的秩（在矩阵中加入一列，其秩只可能增大，不可能变小）。而在齐次方程中(r(A|b)=r(A|0)=r(A))，根据A来分，只剩下了两种情况：1.r(A)=未知数个
dsbatigol·2013-07-30 17:14

[数学]齐次线性方程组的解、SVD、最小二乘法

AX=0这是一个齐次线性方程组（一般的非齐次线性方程组AX=b其实也都可以化为齐次方程组的形式，所以比较普遍）先要说明在非齐次方程组中，A到底有没有解析解，可以由增广矩阵来判断：r(A)r(A|b) 不可能，因为增广矩阵的秩大于等于系数矩阵的秩（在矩阵中加入一列，其秩只可能增大，不可能变小）。而在齐次方程中(r(A|b)=r(A|0)=r(A) )，根据A来分，只剩下了两种情况：1.r(A)=未知
DSbatigol·2013-07-30 17:00

主成分分析（PCA）

在写这篇之前，我阅读了PCA、SVD和LDA。这几个模型相近，却都有自己的特点。本篇打算先介绍PCA，至于他们之间的关系，只能是边学边体会了。
·2013-07-28 21:00

使用SVD求最小二乘刚性转置

参见文章(Least-SquaresRigidMotion UsingSVD)一问题描述假设P={p1,p2,...,pn}和Q={q1,q2,...,qn}是两组Rd空间中的对应点集，现在想要根据这个两个点集的数据来计算出它们之间的刚性转置信息，可以知道这其实是一个最小二乘求优问题，问题可以用如下计算式描述：其中wi>0，是点集中每个点对的权重。要求(1)式中的最小值，即为求式中对R和t求导数为
kfqcome·2013-07-17 18:00

SVD

   本文由LeftNotEasy发布于http://leftnoteasy.cnblogs.com,本文可以被全部的转载或者部分使用，但请注明出处，如果有问题，请联系[email protected]    前言：   上一次写了关于PCA与LDA的文章，PCA的实现一般有两种，一种是用特征值分解去实现的，一种是用奇异值分解去实现的。在上篇文章中便是基于特征值分解的一种解释。特征值和奇异值在
lvyuan30276·2013-07-01 16:00

关于SVD

前言：上一次写了关于PCA与LDA的文章，PCA的实现一般有两种，一种是用特征值分解去实现的，一种是用奇异值分解去实现的。在上篇文章中便是基于特征值分解的一种解释。特征值和奇异值在大部分人的印象中，往往是停留在纯粹的数学计算中。而且线性代数或者矩阵论里面，也很少讲任何跟特征值与奇异值有关的应用背景。奇异值分解是一个有着很明显的物理意义的一种方法，它可以将一个比较复杂的矩阵用更小更简单的几个子矩阵的
denghp83·2013-06-23 06:20

机器学习中的数学(5)-强大的矩阵奇异值分解(SVD)及其应用

转自：http://www.cnblogs.com/LeftNotEasy作者: LeftNotEasy前言：   上一次写了关于PCA与LDA的文章，PCA的实现一般有两种，一种是用特征值分解去实现的，一种是用奇异值分解去实现的。在上篇文章中便是基于特征值分解的一种解释。特征值和奇异值在大部分人的印象中，往往是停留在纯粹的数学计算中。而且线性代数或者矩阵论里面，也很少讲任何跟特征值与奇异值有关的
lucky_greenegg·2013-06-12 20:00

【推荐】LSI(latent semantic indexing) 完美教程

【推荐】LSI(latent semantic indexing) 完美教程 "instead of lecturing about SVD I want to show you how
vergilwang·2013-06-05 15:00

svd++

SVD++ referstoa matrixfactorization modelwhichmakesuseof implicitfeedback information.Ingeneral,implicitfeedbackcanrefertoanykindsof
overstack·2013-05-31 20:00

singular value decomposition----SVD

潜在语义索引（LatentSemanticIndexing）是一个严重依赖于SVD的算法，本文转载自之前吴军老师《数学之美》和参考文献《机器学习中的数学》汇总。
noobzc1·2013-05-30 22:00

主成份(PCA)与奇异值分解(SVD)的通俗解释

主成分分析1.问题描述在许多领域的研究与应用中，往往需要对反映事物的多个变量进行大量的观测，收集大量数据以便进行分析寻找规律。多变量大样本无疑会为研究和应用提供了丰富的信息，但也在一定程度上增加了数据采集的工作量，更重要的是在大多数情况下，许多变量之间可能存在相关性，从而增加了问题分析的复杂性，同时对分析带来不便。如果分别对每个指标进行分析，分析往往是孤立的，而不是综合的。盲目减少指标会损失很多信
雪山飞狐·2013-05-26 21:33

主成份(PCA)与奇异值分解(SVD)的通俗解释

主成分分析1.问题描述  在许多领域的研究与应用中，往往需要对反映事物的多个变量进行大量的观测，收集大量数据以便进行分析寻找规律。多变量大样本无疑会为研究和应用提供了丰富的信息，但也在一定程度上增加了数据采集的工作量，更重要的是在大多数情况下，许多变量之间可能存在相关性，从而增加了问题分析的复杂性，同时对分析带来不便。如果分别对每个指标进行分析，分析往往是孤立的，而不是综合的。盲目减少指标会损失很
huangli19870217·2013-05-26 21:00

eigen 初探

首先推荐几个可以在C++中调用的数学平台：eigen、bias、lapack、svd、CMatr
caiye917015406·2013-05-26 09:00

主成分分析（Principal components analysis）-最大方差解释

在写这篇之前，我阅读了PCA、SVD和LDA。这几个模型相近，却都有自己的特点。本篇打算先介绍PCA，至于他们之间的关系，只能是边学边体会了。
ncztc·2013-05-24 13:00

特征抽取方式——主成分分析（Principal components analysis）

在写这篇之前，我阅读了PCA、SVD和LDA。这几个模型相近，却都有自己的特点。本篇打算先介绍PCA，至于他们之间的关系，只能是边学边体会了。
ivanyoung66·2013-05-20 13:20

数学之路(2)-数据分析-R基础(17)

Svd函数完成奇异分解> array(c(1:16),dim=c(4,4))->a> a     [,1] [,2] [,3
u010255642·2013-05-11 22:00

opencv 中，使用cvSolve函数，求解线性方程组，或者最小二乘法问题

constCvArr*src2,CvArr*dst,intmethod=CV_LU);src1输入矩阵src2线性系统的右部dst输出解答method解决方法(矩阵求逆):CV_LU-最佳主元选取的高斯消除法CV_SVD
kernlen·2013-05-05 17:00

机器学习中的数学(5)-强大的矩阵奇异值分解(SVD)及其应用

版权声明：本文由LeftNotEasy发布于http://leftnoteasy.cnblogs.com,本文可以被全部的转载或者部分使用，但请注明出处，如果有问题，请联系[email protected]前言：上一次写了关于PCA与LDA的文章，PCA的实现一般有两种，一种是用特征值分解去实现的，一种是用奇异值分解去实现的。在上篇文章中便是基于特征值分解的一种解释。特征值和奇异值在大部分人的
cmsbupt·2013-04-23 11:00

推荐系统相关算法：SVD

1.SVD简介      假如要预测Zero君对一部电影M的评分，而手上只有Zero君对若干部电影的评分和风炎君对若干部电影的评分（包含M的评分）。那么能预测出Zero君对M的评分吗？答案显然是能。
liangtee·2013-04-19 13:00

使用SVD方法实现电影推荐系统

，最终的结果并不需要百度官方的评估，只需要我们的截图即可（参看百度云平台），例如下面这个：上面最重要的就是RMSE的数值，数值越小代表偏差越小，百度排行榜就是按值从小到大来排列的，这些人使用的可能是比SVD
jj12345jj198999·2013-04-19 10:00

强大的矩阵奇异值分解(SVD)及其应用

一、奇异值与特征值基础知识：   特征值分解和奇异值分解在机器学习领域都是属于满地可见的方法。两者有着很紧密的关系，我在接下来会谈到，特征值分解和奇异值分解的目的都是一样，就是提取出一个矩阵最重要的特征。先谈谈特征值分解吧：  1）特征值：   如果说一个向量v是方阵A的特征向量，将一定可以表示成下面的形式：   这时候λ就被称为特征向量v对应的特征值，一个矩阵的一组特征向量是一组正交向量。特征值
liangtee·2013-03-30 10:00

PCA主成分分析

基本的算法和原理在上面的文档内已经写得很详细了，总结一下PCA的数学模型吧：第一种求法：易知A是对称阵，所以可以对角化因为P是要求出来的，所以可以另由线性代数的理论得知：最终则可以得到： 第二种求法：那就是矩阵的SVD
·2013-03-27 13:00

透视变换矩阵(单应矩阵)计算：findHomography 与 getPerspectiveTransform

两者区别：   1.计算方法不同：通过跟踪源码，发现getPerspectiveTransform用的是SVD分解，findHomography看不出是用什么方法（没注释，一堆等式）。
abc20002929·2013-03-23 15:00

K-SVD简述——字典学习，稀疏编码

K-SVDRachelZhang 1.k-SVDintroduction1.     K-SVDusage:Design/Learnadictionaryadaptivelytobetterfitthemodelandachievesparsesignalrepresentations.2.     MainProblem:Y=DXWhereY∈R(n*N),D∈R(n*K),X∈R(k*N),X
abcjennifer·2013-03-20 12:00

K-SVD简述——字典学习，稀疏编码

K-SVDRachelZhang 1.k-SVDintroduction1.     K-SVDusage:Design/Learnadictionaryadaptivelytobetterfitthemodelandachievesparsesignalrepresentations.2.     MainProblem:Y=DXWhereY∈R(n*N),D∈R(n*K),X∈R(k*N),X
Rachel-Zhang·2013-03-20 00:00

FM、MF、SVD

SVD（Singularvaluedecomposition）：奇异值分解，矩阵分解的算法之一。
ghost_face·2013-03-08 14:00

svd

http://www.cnblogs.com/LeftNotEasy/archive/2011/01/19/svd-and-applications.html一、奇异值与特征值基础知识：   特征值分解和奇异值分解在机器学习领域都是属于满地可见的方法
sunmenggmail·2013-02-03 00:00

Lingo：基于SVD的聚类算法

本算法来自Carro2项目中采用的聚类算法，Carro2是一个聚类搜索引擎，详见：http://project.carrot2.org/  
zc02051126·2013-02-03 00:00

奇异值分解 SVD 图像压缩 Matlab 压缩率

基于奇异值分解（SVD）的图像压缩      基于Matlab，将奇异值分解（SVD）用于图像的压缩，并同步显示奇异值的大小分布曲线、奇异值个数对压缩率的影响。
yangyangyang20092010·2013-01-18 17:00

浅谈矩阵分解以及应用（3）

   这次讲一下奇异值分解（SVD），首先说明纯粹是抛砖引玉之举，毕竟我刚学习了矩阵理论，对于大名鼎鼎的SVD可谓知之甚少。
carrierlxksuper·2013-01-12 21:00

浅谈矩阵分解以及应用（1）

矩阵分解(matrixdecomposition,factorization)是将矩阵拆解为数个矩阵的乘积，可分为三角分解、满秩分解、Jordan分解和SVD（奇异值）分解等，常见的有三种：1)三角分解法
carrierlxksuper·2013-01-09 21:00

主成分分析（Principal components analysis）-最大方差解释

在写这篇之前，我阅读了PCA、SVD和LDA。这几个模型相近，却都有自己的特点。本篇打算先介绍PCA，至于他们之间的关系，只能是边学边体会了。
junnan321·2013-01-08 23:00

主成分分析（Principal components analysis）-最大方差解释

在写这篇之前，我阅读了PCA、SVD和LDA。这几个模型相近，却都有自己的特点。本篇打算先介绍PCA，至于他们之间的关系，只能是边学边体会了。
zhang11wu4·2012-12-31 17:00

Error while loading shared libraries: libimsl.so: cannot open shared object file

/lin_sol_svd_ex2 ./lin_sol_svd_ex2:errorwhileloadingsharedlibraries:l
rogerzhanglijie·2012-12-31 11:00

SVD分解

SVD分解(转)前言：   上一次写了关于PCA与LDA的文章，PCA的实现一般有两种，一种是用特征值分解去实现的，一种是用奇异值分解去实现的。在上篇文章中便是基于特征值分解的一种解释。
The Fourth Dimension Space·2012-12-26 15:00

推荐系统：总体介绍、推荐算法、性能比较

总体介绍：探索推荐引擎内部的秘密，第1部分:推荐引擎初探个性化推荐技术漫谈一些推荐算法：SVD：SVD在推荐系统中的应用slopeone：推荐系统：SlopeOne算法apriori：先验算法              
kensun0·2012-12-13 10:00

利用矩阵奇异值分解对图像进行压缩

最近学习线性代数的有关东西，在看到奇异值分解（svd）时，发现了一个在图像压缩上的应用。
fllubo·2012-12-08 21:01

线性代数复习

（主对角线元素：元素两个下标相等）svd，奇异值分解：矩阵M=UΣVT，U和V是正交矩阵， Σ是非负对角阵， Σ对角线上的元素即为M的奇异值。
largetalk·2012-12-04 09:00

矩阵奇异值分解及其应用

这篇论文是矩阵分析课上老师布置的一项作业，主要内容来自于http://www.ams.org/samplings/feature-column/fcarc-svd 这篇文章，经过自己的翻译整理后得到了这篇文章
jj12345jj198999·2012-12-02 16:00
上一页 40 41 42 43 44 45 46 47 下一页
按字母分类： ABCDEFGHIJKLMNOPQRSTUVWXYZ其他