A03ki's Tech Blog

技術書典16にサークル参加しました。立て込んでいたため、とても遅めの感想です。

技術書典15にサークル参加したので軽く振り返ります。

技術書典14にサークル参加したので振り返ろうと思います。

はじめに

リアルタイム音声処理などに使えそうなので備忘録として残しておきます。

非負値行列因子分解（NMF）の乗法更新則と勾配降下法（最急降下法）にはある関係があります。

それは「乗法更新則は、得られる行列が非負という制約を必ず満たすように学習率を調整した勾配降下法である」というものです。今回はこのことを目的関数がユークリッド距離の場合に限定して、数式と数値シミュレーションで確認します。

例えば、ユーザが映画を評価できるようなWebサイトがあったとします。このとき、ユーザは全映画を評価しているかと言えばそんなことはなく、ごく一部の映画しか評価していません。つまり、大部分の映画評価データが欠損していることになります。このような欠損値のあるデータに対して、もし仮に素の非負値行列因子分解（NMF）を用いた協調フィルタリングを試そうと考えた場合、欠損値を別の値($0$や平均値など)で埋めてから実行することになります。この埋め方で何か変わるのでしょうか？この記事ではまず、埋め方によって学習結果にどのような影響があるのかを調査します。その後、欠損値を埋めないでNMFが行える手法の1つである重み付き非負値行列因子分解（WNMF）を紹介します。

推薦アルゴリズムのベンチマークとしてMovielensと呼ばれるデータセットがあります。
この記事では推薦アルゴリズムを試す事前準備として、Movielensの軽量データセット(MovieLens 100K Dataset)をPythonのpolarsで読み込む方法について解説します。

はじめまして、Akiと申します。

現在大学院修士課程1年生でして、専攻は制御工学です。
研究では制御工学に機械学習を絡めようと日々努めていますが、最近は学んだことを消化し切れてないような気がしています。
なので、学んだことをアウトプットする場としてブログを始めることに決めました。
三日坊主にならないように頑張る所存です。

目指せ月1更新！!

それではよろしくお願いいたします！