Recommender Systems 推薦系統 與 深度學習

Github

.

Recommender Systems 推薦系統

 

 

 

 

 用相似的人與你喜歡進行分析,算出哪個跟你最相似

 

 

 

 

 

 

 

 

深度學習

以類神經為基礎

 

DNN DEEP Neual network

深度不固定

高速公路網路

ReLU f(x)=max(0,x)取0與x最大值,

Sigmoid 不管值是什麼都變成0-1 or -1 – 1

Maxout 只取大的點

 

CNN Convolutional neural network 捲基

減少像素圖片的權重訓練

 

RNN

把類神經計算前一個時間與後一個時間

 

深度學習套件

CAFFE 快,python

THEANO 結合GPU,pythonTENSORFLOW 多GPU,分布式計算

LASAGNE 簡化THEANO

KERAS 注重CNN,單GPU

MXNET 多GPU

SKLEARN-THEANO 把CNN當作特徵器

NOLEARN

DIGITS web介面

PYLEARN2 較少改版

DEEPLEARNING4J 用JAVA開發

 

ENSEMBLE 集成學習

建立好幾個模型,做分析預測,看哪個模型訓練結果最高當作輸出

Bagging, boosting, randomforest

 

MORVAN

Github

 

Pip install Keras 先裝好Keras

 

先跑一次regressor-example,之後會產生一個

 

 

再去修改裡面的json

tensorflow改成theano

 

 

classifer結果

 

備註:2017/06/08 計算方法分析與設計 課堂筆記

分群(clutering) & NLP 自然語言處理

 

Github

 

分群(clutering)

 

 input 資料

inputs = [[-14,-5],[13,13],[20,23],[-19,-11],[-9,-16],[21,27],[-49,15],[26,13],[-46,5],[-34,-1],[11,15],[-49,0],[-22,-16],[19,28],[-12,-8],[-13,-19],[-41,8],[-11,-6],[-25,-9],[-18,-3]]

 

以…為中心點分群

 以…為中心點分群

 

 

分群誤差

# 跑分群,從1群到20群,看他的差異值

 

 

分群差異圖

 

 

print “—圖片顏色分群—“

 

原始圖檔

 

 

5色分群

 

 

3色分群

 

 

NLP

自然語言處理

 

 

 

NLP 組成文章

 

EX: We have a dog. We get a cat.

可分解成

We > have

We > get

Have > a

Get > a

A > dog

A > cat

 

因此可組成

We get a dog.

這樣的句子組成

由前後文找出單字後面的字是什麼

再依據後面的單字組成句子

 

 

 

用文章前面兩個字與後面一個字去組成文章

 

 

 

加上像是名詞、動詞、形容詞,根據詞性再去組成句子

 

 

 文法規則

grammar = {

“_S” : [“_NP _VP”],

“_NP” : [“_N”,

“_A _NP _P _A _N”],

“_VP” : [“_V”,

“_V _NP”],

“_N” : [“data science”, “Python”, “regression”],

“_A” : [“big”, “linear”, “logistic”],

“_P” : [“about”, “near”],

“_V” : [“learns”, “trains”, “tests”, “is”]

}

 

 

 

 

備註:2017/06/01 計算方法分析與設計 課堂筆記