Being Being

Reference 강의 : Minnesota 대학교 Nearest Neighbor Collaborative Filtering 코세라 강좌 Refere CV는 그냥 심심해서 넣었고, Recommender에서 train/test split은 조금 특이한 점이 있다. 같이 공부하는 팀원 분께서 아주 잘 설명을 해주셨었었었는데(지금 까먹음) 다시 공부하고 여기다 정리해야겠다. 이번 주 안에 할 것이다.

1. approach -> User-User CF의 한계 좋은 결과를 제공하지만, 여러 문제가 있음 Sparcity : 많은 item set이 있어도, rating의 수가 적음 계산적 문제 : 모든 pair correlation에 대해 계산을 하는 것은 많은 비용이 듦 해결 : Item-Item CF 2. Item-Item CF 과정 크게 아래 두 단계로 나뉜다. ① pairs of items에 대해 유사도 계산 ② user-item rating 예측 3. Item-Item CF 장점 - 예측 accuray나 top-N 예측 측면에서 성능이 좋음 - Implementation이 효율적 (User가 Item보다 많은 상황 가정) - 넓은 applicability, flexibility 4. Item-Ite..

Reference 강의 : Minnesota 대학교 Nearest Neighbor Collaborative Filtering 코세라 강좌 블로그 : exmemory.tistory.com/56 Intro 협업 필터링에는 최근접 이웃 기반과 잠재요인 협업 필터링이 있는데 오늘 공부할 내용은 최근접 이웃 기반이다. 협업 필터링은 user-behabior(rating, 구매 이력 등)을 기반으로 추천을 진행한다. 최근접 이웃 기반의 목표는 User-Item matrix에서 사용자가 아직 평가하지 않은 아이템을 예측하는 것이 목표다. 이를 위해 행렬을 만들면 굉장히 sparse한 형태가 나와 공간이 낭비되는 문제가 발생한다. 이 최근접 이웃 기반은 2가지로 나뉘는데, 사용자 기반 : 비슷한 사용자들은 어떤 ite..

출처 : 미네소타 대학교 Recommendar System 복습할 때 보라고 헷갈리는거 위주로 정리,, Introducing Recommendar Systems Q. Prediction과 Recommendation을 구분하는 best definition은? A. Prediction은 어떤 item에 대하여 한 사람의 rating(좋아요 개수, 소비량 등); recommendation은 큰 셋으로부터 어떤 사람이 아이템을 선택하(여 보여주)는 것. Q. Prediction과 Recommendation을 same interface에 합치는 것은 가능하다? A. False; ++) Explicit prediction 결점 중 하나가 잘못될 수 있다는 점, 심각하게 잘못된다면 사용자들은 시스템의 신뢰도를 잃게 ..

1. 기본 용어 정리 OP code : 어셈블리 명령어 통칭 cond : OP code 뒤에 붙여서 조건부 명령 수행 Rd : Destination Register, 결과값을 저장하는 레지스터 (R0 ~ R15) Rn : 피연산자 1 (R0 ~ R15) Rm : 피연산자 2 , 레지스터 뿐만 아니라 상수, 주소, 쉬프트 연산식 등 다양하게 사용 가능 2. ARM assembly 명령어 ① 산술 연산 ADD : Rd = Rn + Rm SUB : Rd = Rn - Rm ② 비트 연산 AND : Rd = Rn & Rm ORR : Rd = Rn | Rm EOR : Rd = Rn ^ Rm BIC : Rd = Rn & !Rm ③ 대입 연산 MOV : Rd = Rm ④ 시프트 연산 LSL : , right shift..