Đang tải... (xem toàn văn)
BÁO CÁO BÀI TẬP LỚN ĐẠI SỐ TUYẾN TÍNH ỨNG DỤNG SVD VÀO MECHINE LEARNING GVHD Nguyễn Hữu Hiệp Lớp L19 Nhóm 6 THÀNH VIÊN TRONG NHÓM STT Họ và tên MSSV 1 Dương Hoàng Ân 1912635 2 Nguyễn Thị Việt 1915913[.]
BÁO CÁO BÀI TẬP LỚN ĐẠI SỐ TUYẾN TÍNH ỨNG DỤNG SVD VÀO MECHINE LEARNING GVHD: Nguyễn Hữu Hiệp Lớp L19 - Nhóm ● ● THÀNH VIÊN TRONG NHĨM STT Họ tên MSSV Dương Hoàng Ân 1912635 Nguyễn Thị Việt 1915913 Hà Trần Quang Trung 2014874 Trần Viết Việt Anh 2112822 NỘI DUNG 01 02 Giới thiệu 04 Ví dụ 03 Cơ sở lý thuyết SVD SVD Machine Learning 05 Thách thức hạn chế GIỚI THIỆU 06 Kết luận 1.1 Giới thiệu phân ch suy biến SVD Phương pháp phân ch suy biến (Singular Value Decomposi on) viết tắt SVD, phương pháp thuộc nhóm matrix factoriza on phát triển lần đầu nhà hình học vi phân Phương pháp SVD phát triển dựa nh chất ma trận trực giao ma trận đường chéo để m ma trận xấp xỉ với ma trận gốc 1.2 Machine Learning Machine Learning lĩnh vực trí tuệ nhân tạo (AI) Mục Machine Learning hiểu cấu trúc liệu điều chỉnh liệu thành model mà người hiểu sử dụng 2 CƠ SỞ LÝ THUYẾT CỦA PHÂN TÍCH SUY BIẾN SVD 2.1 Mụcêu phân ch suy biến SVD Phương pháp SVD m lớp ma trận xấp xỉ tốt với ma trận cho trước dựa khoảng cách norm Frobenios ma trận Quá trình nhân ma trận thực chất trình biến đổi điểm liệu ma trận gốc thông qua phép xoay trục (rota on) phép thay đổi độ lớn (scaling) từ tạo điểm liệu khơng gian 2.2 Q trình phân ch SVD ma trận Biểu diễn SVD qua trường hợp ma trận A Trường hợp: m < n 2.2 Quá trình phân ch SVD ma trận Biểu diễn SVD qua trường hợp ma trận A Trường hợp: m > n 2.2 Quá trình phân ch SVD ma trận Nguồn gốc SVD Compact SVD (SVD gọn nhẹ hơn) Ví dụ minh hoạ với m=4, n=6, r=2 3 SVD TRONG MACHINE LEARNING Dimensionality Reduc on nơh gnọrt nauqtí uẫ mgnữhn ỏbi ạol àv uệil ữd gnort nảb ơc uẫ mcác m ải G • hcác gnằB uệil ữd pật aủc c ớưht hcí k m 3.1 Cách SVD sử dụng Machine Learing nauq Data Compression tcev àv t ấhn gnọrt nauqtí ốsị rt g cáci ạl ữigỉ hc nêil tí ốs hcác gnằb nơh gnăn hn tí gnụd ửs hcác gnằb uệil ữd nễi d uểi B • Matrix Approxima on nơh nải g nơđ , nơh ỏhn nậrt a mt ộ mgnằb pạt c ứhp, nớl nậrt a mt ộ mgnợưl c Ư • Collabora ve Filtering nớl nậrt a mt ộ m gnort c ụ mcác àv gnùdi ờưgn a ữi g ệh nauqi ố mhnì h mpậl hcác gnằbt ấux ềđ gnốht ệh gnort gnùdi ờưgn aủc hcí ht ởs náođ ựD • PCA Content Hệ thống gợi ý Filtering 3.2 Các thuật toán Machine Learning sử dụng SVD Những thuật tốn liên quan đến nhận dạng khn mặt sơ khai ứng dụng từ PCA SVD để biểu diễn khuôn mặt kết hợp tuyến nh “egenfaces” • Ứng dụng m kiếm mối quan hệ người dùng sản phẩm để tối đa hóa tương tác người dùng với sản phẩm, đề xuất video nhạc có liên quan để tạo danh sách phát cho người dùng họ tương tác với mục liên quan • Ý tưởng phương pháp dựa nội dung cố gắng xây dựng mơ hình, dựa “ nh năng” có sẵn, giải thích tương tác người dùng mục quan sát • 3.3 Lợi ích việc sử dụng SVD Machine Learning Hiệu suất Kích thước mơ hình Khả mở rộng Tính điểm PCA VÍ DỤ VỀ ỨNG DỤNG CỦA SVD TRONG MACHINE LEARNING 4.1 Phân ch SVD ứng dụng nén ảnh 4.2 Ứng dụng SVD hệ gợi ý Hệ gợi ý dựa nội dung- Content-based Recommenda on Systems 4.2 Ứng dụng SVD hệ gợi ý Hệ gợi ý dựa nội dung- Content-based Recommenda on Systems 4.2 Ứng dụng SVD hệ gợi ý Neighborhood-Based Collabora ve Filtering 4.2 Ứng dụng SVD hệ gợi ý Matrix factoriza on Một ứng dụng thành cơng mơ hình yếu tố ềm ẩn dựa Phân ch ma trận thành nhân tử (Matrix Factoriza on, Matrix Decomposi on) Kết thi Ne lix Prize chứng minh, mơ hình phân ch ma trận thành nhân tử vượt trội so với kỹ thuật hàng xóm gần cổ điển để đưa khuyến nghị sản phẩm, cho phép kết hợp thông n bổ sung phản hồi ngầm, hiệu ứng thời gian mức độ n cậy 5 THÁCH THỨC VÀ HẠN CHẾ KHI SỬ DỤNG TRONG SVD TRONG MACHINE LEARNING 5.1 Các thách thức sử dụng SVD Machine Learning Độ phức tạp nh tốn: Phép nh SVD có độ phức tạp cao, đặc biệt liệu lớn Giới hạn nhớ: SVD yêu cầu lưu trữ ma trận toàn phần nhớ, điều gây vấn đề nhớ cho liệu lớn Khả sử dụng liệu thưa: SVD không phù hợp với liệu thưa, nghĩa liệu với số lượng giá trị khơng xác định (hoặc khơng có) ma trận 5.2 Các hạn chế sử dụng SVD Machine Learning Khả Khó sử dụng giải thích liệu có cấu kết trúc đặc biệt Hạn chế độ Hạn chế chọn kích xác thước Hạn chế chế độ KẾT LUẬN SVD công cụ quan trọng đại số tuyến nh có nhiều ứng dụng nhiều lĩnh vực khác nhau, từ xử lý số liệu đến học máy xử lý n hiệu Phân ch SVD sử dụng Machine Learning mang lại nhiều ứng dụng nhiều lĩnh vực nén ảnh, ứng dụng hệ thống gợi ý, CẢM ƠN THẦY VÀ CÁC BẠN ĐÃ LẮNG NGHE!