Help us understand the problem. What is going on with this article?

Webアプリケーションエンジニアがディープラーニングに挑戦する際にやったこと(Coursera Week9)

More than 1 year has passed since last update.

Coursera Week9

はじめに

CourseraのWeek9を実施しましたので、私のメモを公開します。
Courseraってなんだ?という方はWeek1から御覧ください。

Anomaly detection

あるデータ・セットが与えられていて、そのデータセットから明らかに離れたデータをアノマリーと言う。

Gaussian(Normal) istribution

ガウス分布は以下の式で表される。
$x\sim N(\mu, \sigma^2)$
$\mu$は平均を表し、$\sigma$は分散(標準偏差)を表す。

$\mu$はただの平均なので下記の式で表現できる。
$$
\mu = \frac{1}{m}\sum_{i=1}^mx^{(i)}
$$
$\sigma^2$は下記のように表す。
$$
\sigma^2=\frac{1}{m}\sum_{i=1}^m(x^{(i)}-\mu)^2
$$

Density estimation

$$
p(x) = \Pi_{j=1}^np(x_j;\mu_j,\sigma_j^2)
$$
$\Pi$は$\sum$の積バージョン。
最終的に$p(x)$の値がかなり小さい($epsilon$より小さい)場合、これをアノマリーとする。
$p(x) < \epsilon$

Recommendation System

リコメンダシステムを取り扱う1つ目の理由は機械学習の問題とよくマッチするから。
2つ目の理由は全般的に必要な知識を共有するのにちょうどいいから。

Feature Learning

アルゴリズムがなんのフィーチャー(つまり$X$)を使うか自分自身で学習する。
映画の例では各映画がどれくらいロマンティックか、アクションが多いかを自分自身で学習する。

Collaborative filtering algorithm

1.$x$と$\theta$を小さいランダム数で初期化する。
2.CostFunctionを最急降下法などのアルゴリズムを使用して最小化する。
$$
x_k^{(i)} = x_k^{(i)} - \alpha(\sum_{j:r(i,j)=1}((\theta^{(j)})^Tx^{(i)} - y^{(i,j)})\theta_k^{(j)} + \lambda x_k^{(i)})
$$
$\theta$も上記の$x$と同様の式で求められる。
$\alpha$のカッコ内はコスト関数の偏微分。
3.レーティングの予測をする。
$(\theta^{(i)})^T x^{(i)}$

Why not register and get more from Qiita?
  1. We will deliver articles that match you
    By following users and tags, you can catch up information on technical fields that you are interested in as a whole
  2. you can read useful information later efficiently
    By "stocking" the articles you like, you can search right away
Comments
No comments
Sign up for free and join this conversation.
If you already have a Qiita account
Why do not you register as a user and use Qiita more conveniently?
You need to log in to use this function. Qiita can be used more conveniently after logging in.
You seem to be reading articles frequently this month. Qiita can be used more conveniently after logging in.
  1. We will deliver articles that match you
    By following users and tags, you can catch up information on technical fields that you are interested in as a whole
  2. you can read useful information later efficiently
    By "stocking" the articles you like, you can search right away
ユーザーは見つかりませんでした