读书笔记

A 17-post collection

基于物品的协同过滤推荐算法——读“Item-Based Collaborative Filtering Recommendation Algorithms”

最近参加KDD Cup 2012比赛,选了track1,做微博推荐的,找了推荐相关的论文学习。“Item-Based Collaborative Filtering Recommendation Algorithms”这篇是推荐领域比较经典的论文,现在很多流行的推荐算法都是在这篇论文提出的算法的基础上进行改进的。 一、协同过滤算法描述 推荐系统应用数据分析技术,找出用户最可能喜欢的东西推荐给用户,现在很多电子商务网站都有这个应用。目前用的比较多、比较成熟的推荐算法是协同过滤(Collaborative Filtering,简称CF)推荐算法,CF的基本思想是根据用户之前的喜好以及其他兴趣相近的用户的选择来给用户推荐物品。 如图1所示, »

找工作的那些事

亲爱滴师弟师妹儿们:大家好!我们10级终于毕业啦!前段时间因为一直忙于毕业、学车、搬家等事宜,所以一直拖到现在才开始起草这份总结,希望对你们来说有所帮助,特别是马上要找工作的丹玲和11级的师弟师妹们。当然这可能是我的一家之言,希望你们看后仅采纳对自己有用的地方。 永远的倩姐 2013.07.01 …… 来源倩姐 详情请见附件 附近:找工作那些事 »

关于答辩的那些事儿

首先我还是客套地说一下,答辩是研究生阶段最重要的一个过程,是检验一个人三年工作的最后考试。由于计算机学院比其余学院在这一关都更严格,所以大家一定要做到小心谨慎,认真对待。只有自己实实在在完成论文,才会在后面的阶段中有十足的信心。我后面要介绍的经验也是建立在由自己认真完成论文的基础上。论文大概要3万字,80页左右(包括所有)。 来源10级 详情见附件 附件:关于答辩的那些事儿 »

硕士答辩总结

我们实验室的论文到目前为止在答辩中都没有出现低级错误,没有老师向其他同学提出的摘要读不通、英文摘要不对、格式有问题等等。这样的论文应该首先会让专家感觉舒服一些。我看有的同学的论文格式总觉得很丑,自己的简直好看到不行。 …… 来源10级 详情见附件 附件:硕士答辩总结 »

PCA学习笔记

PCA相关原理和具体求解方法楠哥意见介绍过了,这里主要说一下有关PCA的背景知识和应用举例。 主成分分析 ( Principal Component Analysis , PCA )是一种掌握事物主要矛盾的统计分析方法,它可以从多元事物中解析出主要影响因素,揭示事物的本质,简化复杂的问题。计算主成分的目的是将高维数据投影到较低维空间。给定 n 个变量的 m 个观察值,形成一个 n ′ m 的数据矩阵, n 通常比较大。对于一个由多个变量描述的复杂事物,人们难以认识,那么是否可以抓住事物主要方面进行重点分析呢? »

葫芦和瓢的关系——操作系统实验手册写作心得

大概是从九月中旬收到实验手册出版委托书后,我开始了实验手册第二部分的修改和校正,现在基本完成。中间得到梦颖,小乔和10级参加实验手册写作同学和朱老师的诸多帮助,在此一并谢过。写作的过程是十分值得记忆的。在此写点心得文字以作纪念。        我认为人生的学习大致分为三个阶段:”依葫芦画瓢“,”依瓢画葫芦“,”没有瓢也没有葫芦“。 依葫芦画瓢:       这个阶段我们的主要任务是学习,按照书上,老师讲的来学习,第一次对这句话有印象,是我高二的数学老师在课堂上说的。我很认同这句话,我们的学习过程就是把别人的葫芦拿过来,自己试着画瓢,当我们没看懂别人的葫芦的时候我们画出来的瓢可能就不是瓢了,但是只要我们理解了,懂了。有了葫芦就一定能有瓢。比如, »

再议PCA

之前对PCA学习之后做了一个总结,主要是从如何计算的角度来进行的,今天从PCA的概念出发,利用数学知识再从另外的一个角度对PCA做一个阐述: 1:PCA的主要作用: PCA是用来对数据降维的,比如一个行向量X=(X1,X2,X3,…Xn)它的维度就是n,那么对它进行PCA之后要让它变成Y=(Y1,Y2,…Ym)同时m<n,并且Y能够最大程度代表离散数据X的特征。 2:PCA的数学表达: 对于一组数(以2维空间的数为例)比如 »