基于图的推荐算法我们很容易就能想到啊，这个推荐的原理实际就是，用户和物品之间的关系。那么用户和物品就可以用图模型来表示。例如用用户行为数据来构造用户物品的二分图。用户A连接物品1表示，用户A对物品1产生过行为。有了二分图后，我们的任务实际就转化成了在二分图上给用户进行个性化推荐。推荐的任务又可以转为度量用户顶点与用户没有直接相连的物品节点在图上的相关性，相关性越高的物品在推荐列表中的权重就越高。如

看完了尚硅谷机器学习和推荐系统项目实战教程，又觉得基础部分学的太散了。没有把大体的体系学好。因此，找来了 项亮的推荐系统实践一书。打算把知识体系梳理一遍。推荐系统冷启动问题1. 什么是冷启动问题？从前面我们知道了，基于协同过滤的推荐系统是根据用户历史行为和兴趣预测用户未来可能的行为和兴趣，所以推荐系统是在大量用户数据的基础上，才能构建的。但是一般情况下，一个新系统/软件的开发，是没有那么多用户的。

推荐系统中的评估指标（1） 用户满意度：推荐系统最重要的参与者就是用户，因此是否使用户满意是划定推荐系统是否答辩的一个关键。用户满意度无法通过离线计算，必须通过用户调查或者在线实验。（2）预测准确度：① 评分预测：均方根误差（RMSE）、平均绝对误差（MAE）。② TopN推荐：准确率、召回率。（3）覆盖率：描述一个推荐系统对物品长尾的发掘能力。内容提供商会比较的关系这个指标，因为内容提供商肯定希

无监督学习1. 聚类2. 降维

参考代码来源于：https://github.com/tgeorgy/mgan人脸生成笑脸表情1、有趣的项目之前没事会经出翻github看项目，也会发现很多有趣的项目。迫于没什么时间，就过一眼就关了。所以就特地开了这个发现有趣项目的板块，想有时间的时候就把这些有趣的项目记录下来。但刚开始写之后，翻github就想找有趣的项目，却怎么也找不到。（amazing！????）所以我就换了个思路。平时没事

行为识别——骨架提取/人体关键点估计我们可以通过深度学习，检测到一个人，但是那个人在做什么我们不知道。所以我们就想让神经网络既检测到人，又知道他在做什么。也就是对这个人的行为进行识别。一个人的行为可以有很多种，可以跑、跳、走、跌倒、打架……有一些我们可以看第一眼就知道他在干嘛，有些我们必须看一段才知道他在干嘛。所以我们要用神经网络来识别行为，就可以分成单帧图片的识别和连续帧图片的识别。如果是单帧图

深度学习笔记：1. 描述常用3种IOU，分别针对那种情况使用？① 交并比：交集/并集。即框和框的重叠的程度。为了删除一些同目标位置重叠的框。② 最小IOU：最小面积框/并集。为了删除预测框在真实框内部，且框住部分不完整的情况。③ 最大IOU：最大面积框/并集。2. 描述数据增强的常用手段，yoloV4使用的手段？数据增强：（1） 裁剪：①中心裁剪，② 随机裁剪，③ 随机长宽比裁剪， ④ 上下左右中

基于深度学习推荐系统1. 基础知识（1）one-hot编码带来的问题我们知道，当我们遇到标签类/离散/类别型的数据，我们通过会把它变成one-hot编码。但是这样会使得数据特别庞大而且稀疏。而广告计算和推荐算法很多数据的特征是非常多的，而且大部分会是离散的数据，这样一来数据的稀疏性就会变得非常大。因此，FM主要就是为了解决数据稀疏的情况下，特征怎样组合的问题。（2）因式分解机（FM）因式分解机是一

通过这个链接????进行复习学习。https://github.com/scutan90/DeepLearning-500-questions目标检测 two-stage目标检测（Object Detection）就是要从图像上找到目标。存在的难点主要有：同一种目标可能有不同外观、形状、姿态；同一张图片场景可能有不同的环境因素干扰（光照、遮挡、色差）；目标检测要检测目标在图像中的位置，目标可能会出

基于深度学习推荐系统1. 基础知识（1）one-hot编码带来的问题我们知道，当我们遇到标签类/离散/类别型的数据，我们通过会把它变成one-hot编码。但是这样会使得数据特别庞大而且稀疏。而广告计算和推荐算法很多数据的特征是非常多的，而且大部分会是离散的数据，这样一来数据的稀疏性就会变得非常大。因此，FM主要就是为了解决数据稀疏的情况下，特征怎样组合的问题。（2）因式分解机（FM）因式分解机是一