تجزیه ماتریس (Matrix Factorization):
فاکتورگیری ماتریس یا matrix factorization، مجموعهای از الگوریتمها برای تجزیه ماتریس به (معمولاً) دو ماتریس و . در تجزیهی ماتریسی از حاصلضرب دو ماتریس با ابعاد پایینتر rank ماتریس کم می شود. rank یک ماتریس به معنای تعداد سطر یا ستونهای مستقل خطی آن ماتریس گفته می شود. استفاده اصلی این روش در سیستمهای توصیهگر (Recommender System) است که سعی میشود یکسری ويژگی پنهان (Latent Factor) پیدا شود و ضرب ماتریسهای تجزیه شده فاصله کمی با ماتریس اصلی داشته باشه و ماتریسهای تا حد امکان مشابه تولید شود. لذا با ضرب درایه های ماتریسهای تجزیه شده در هم می توان درایه های خالی در ماتریس اصلی را پیشبینی کرد. روشهای مختلفی برای انجام فاکتورسازی ماتریس ارائه شدهاست مانند تحلیل مؤلفههای اصلی (Independent Component Analysis) یا تجزیه مقدارهای منفرد (Singular Value Decomposition) و غیره.
به (معمولاً) دو ماتریس 
و 
هدف از این دوره آموزشی:
هدف این دوره شناخت فاکتورسازی ماتریس و استفاده از آن در مدل های یادگیری ماشین و یادگیری عمیق است. ابتدا مروی روی پایتون و یادگیری ماشین/یادگیری عمیق انجام می شود. سپس، فاکتورسازی ماتریس با مدل های یادگیری ماشین و یادگیری عمیق در پایتون پیاده سازی و آموزش داده می شود. امیدواریم که این آموزش از “بیگ لرن” هم مثل سایر آموزش ها مورد تایید و رضایت شما مخاطبان گرامی قرار گیرد.
بخش اول: مرور کامل پایتون
بخش دوم: مرور یادگیری ماشین/عمیق
بخش سوم: فاکتورگیری ماتریس با مدل های یادگیری ماشین
بخش چهارم: فاکتورسازی ماتریس با مدل های یادگیری عمیق (Deep)
موارد مرتبط
نظرات
برای ثبت نقد و بررسی وارد حساب کاربری خود شوید.
قیمت 130,000 تومان
دکترای مهندسی کامپیوتر (گرایش هوش مصنوعی و رباتیکز) هستم. عمده فعالیت من در حوزه یادگیری عمیق، علم داده، پردازش تصویر و پردازش متن با زبان های برنامه نویسی پایتون و جاوا است.
دیدگاهها
هیچ دیدگاهی برای این محصول نوشته نشده است.