Bài 28: Principal Component Analysis (phần 2/2)
Jun 21, 2017
Tiếp tục về Principal Component Analysis. Quan hệ giữa PCA và SVD. Cách thực hiện PCA cho các bài toán thực tế. Một vài ứng dụng của PCA và các hướng nghiên cứu. Xem tiếp »
Tiếp tục về Principal Component Analysis. Quan hệ giữa PCA và SVD. Cách thực hiện PCA cho các bài toán thực tế. Một vài ứng dụng của PCA và các hướng nghiên cứu. Xem tiếp »
Bài 28: Principal Component Analysis (phần 2/2)
Jun 21, 2017
Tiếp tục về Principal Component Analysis. Quan hệ giữa PCA và SVD. Cách thực hiện PCA cho các bài toán thực tế. Một vài ứng dụng của PCA và các hướng nghiên cứu. Xem tiếp»
Tiếp tục về Principal Component Analysis. Quan hệ giữa PCA và SVD. Cách thực hiện PCA cho các bài toán thực tế. Một vài ứng dụng của PCA và các hướng nghiên cứu. Xem tiếp»
Bài 27: Principal Component Analysis (phần 1/2)
Jun 15, 2017
Phương pháp giảm chiều dữ liệu phổ biến nhất dựa trên việc tìm một ma trận trực giao đóng vai trò là một ma trận chiếu. Ma trận này đóng vai trò như một phép xoay trục toạ độ sao cho trong hệ toạ độ mới, thông tin dữ liệu chỉ tập trung ở một vài thành phần chính. Xem tiếp »
Phương pháp giảm chiều dữ liệu phổ biến nhất dựa trên việc tìm một ma trận trực giao đóng vai trò là một ma trận chiếu. Ma trận này đóng vai trò như một phép xoay trục toạ độ sao cho trong hệ toạ độ mới, thông tin dữ liệu chỉ tập trung ở một vài thành phần chính. Xem tiếp »
Bài 27: Principal Component Analysis (phần 1/2)
Jun 15, 2017
Phương pháp giảm chiều dữ liệu phổ biến nhất dựa trên việc tìm một ma trận trực giao đóng vai trò là một ma trận chiếu. Ma trận này đóng vai trò như một phép xoay trục toạ độ sao cho trong hệ toạ độ mới, thông tin dữ liệu chỉ tập trung ở một vài thành phần chính. Xem tiếp»
Phương pháp giảm chiều dữ liệu phổ biến nhất dựa trên việc tìm một ma trận trực giao đóng vai trò là một ma trận chiếu. Ma trận này đóng vai trò như một phép xoay trục toạ độ sao cho trong hệ toạ độ mới, thông tin dữ liệu chỉ tập trung ở một vài thành phần chính. Xem tiếp»
Bài 26: Singular Value Decomposition
Jun 7, 2017
Trong bài viết này, tôi sẽ giới thiệu với các bạn một trong những phương pháp Matrix Factorization rất đẹp của Đại số tuyến tính. Phương pháp đó có tên là Singular Value Decomposition (SVD). Các bạn sẽ thấy, mọi ma trận, không nhất thiết là vuông, đều có thể được phân tích thành tích của ba ma trận đặc biệt. Xem tiếp »
Trong bài viết này, tôi sẽ giới thiệu với các bạn một trong những phương pháp Matrix Factorization rất đẹp của Đại số tuyến tính. Phương pháp đó có tên là Singular Value Decomposition (SVD). Các bạn sẽ thấy, mọi ma trận, không nhất thiết là vuông, đều có thể được phân tích thành tích của ba ma trận đặc biệt. Xem tiếp »
Bài 26: Singular Value Decomposition
Jun 7, 2017
Trong bài viết này, tôi sẽ giới thiệu với các bạn một trong những phương pháp Matrix Factorization rất đẹp của Đại số tuyến tính. Phương pháp đó có tên là Singular Value Decomposition (SVD). Các bạn sẽ thấy, mọi ma trận, không nhất thiết là vuông, đều có thể được phân tích thành tích của ba ma trận đặc biệt. Xem tiếp»
Trong bài viết này, tôi sẽ giới thiệu với các bạn một trong những phương pháp Matrix Factorization rất đẹp của Đại số tuyến tính. Phương pháp đó có tên là Singular Value Decomposition (SVD). Các bạn sẽ thấy, mọi ma trận, không nhất thiết là vuông, đều có thể được phân tích thành tích của ba ma trận đặc biệt. Xem tiếp»
Bài 25: Matrix Factorization Collaborative Filtering
May 31, 2017
Trong bài viết này, chúng ta sẽ làm quen với một hướng tiếp cận khác cho Collaborative Filtering dựa trên Matrix Factorization (hoặc Matrix Decomposition), tức Phân tích ma trận thành nhân tử. Xem tiếp »
Trong bài viết này, chúng ta sẽ làm quen với một hướng tiếp cận khác cho Collaborative Filtering dựa trên Matrix Factorization (hoặc Matrix Decomposition), tức Phân tích ma trận thành nhân tử. Xem tiếp »
Bài 25: Matrix Factorization Collaborative Filtering
May 31, 2017
Trong bài viết này, chúng ta sẽ làm quen với một hướng tiếp cận khác cho Collaborative Filtering dựa trên Matrix Factorization (hoặc Matrix Decomposition), tức Phân tích ma trận thành nhân tử. Xem tiếp»
Trong bài viết này, chúng ta sẽ làm quen với một hướng tiếp cận khác cho Collaborative Filtering dựa trên Matrix Factorization (hoặc Matrix Decomposition), tức Phân tích ma trận thành nhân tử. Xem tiếp»
Bài 24: Neighborhood-Based Collaborative Filtering
May 24, 2017
Phương pháp suy luận mức quan tâm của một người dùng cho một sản phẩn dựa trên hành vi của những người dùng tương tự. Xem tiếp »
Phương pháp suy luận mức quan tâm của một người dùng cho một sản phẩn dựa trên hành vi của những người dùng tương tự. Xem tiếp »
Bài 24: Neighborhood-Based Collaborative Filtering
May 24, 2017
Phương pháp suy luận mức quan tâm của một người dùng cho một sản phẩn dựa trên hành vi của những người dùng tương tự. Xem tiếp»
Phương pháp suy luận mức quan tâm của một người dùng cho một sản phẩn dựa trên hành vi của những người dùng tương tự. Xem tiếp»
Bài 23: Content-based Recommendation Systems
May 17, 2017
Hệ thống đơn giản gợi ý sản phẩm tới người dùng. Xem tiếp »
Hệ thống đơn giản gợi ý sản phẩm tới người dùng. Xem tiếp »
Bài 23: Content-based Recommendation Systems
May 17, 2017
Hệ thống đơn giản gợi ý sản phẩm tới người dùng. Xem tiếp»
Hệ thống đơn giản gợi ý sản phẩm tới người dùng. Xem tiếp»
Bài 22: Multi-class Support Vector Machine
Apr 28, 2017
Một trong hai thuật toán Classification phổ biến nhất hiện nay. Xem tiếp »
Một trong hai thuật toán Classification phổ biến nhất hiện nay. Xem tiếp »
Bài 22: Multi-class Support Vector Machine
Apr 28, 2017
Một trong hai thuật toán Classification phổ biến nhất hiện nay. Xem tiếp»
Một trong hai thuật toán Classification phổ biến nhất hiện nay. Xem tiếp»
Total visits:
