Studoši

Serial Number Q5U4EX7YY2E9N imas dvije matrice, jedna ti je matrica koja kao redove ima korisnike, a stupci su joj značajke korisnika. obzirom da su značajke ivice i marice iste onda budes imal matricu [[x1,x2], [x1, x2]]. A za filmove imas matricu ciju su stupci filmovi, a redovi su joj značajke pojedinog filma pa budes onda imal matricu [[0,2, -0.63], [-0.75, 0.4]]. I imas sustav s dvije nepoznanice nakon množenja te dvije matrice, znači za Ivicu i hobita ti to bude 0.2×1 - 0.75×2 = 0.23, za Maricu i Pinokia ti to bude -0.63×1 + 0.4×2 = 0.77

netko_tamo

tito
hvala ekipa 💜🙏

Serial Number Q5U4EX7YY2E9N u ovom zadatku se radi o dekompoziciji matrice.
U ovom slučaju možemo zamisliti matricu s značajkama o knjigama kao jednu komponentu umnoška, a druga matrica sadrži nepoznanice o interesima ivice i marice koji su zapravo isti. A rezultantna matrica je interes korisnika za određene knjige.

|0.2 -0.75| * |x| = |0.23|
|-0.63 0.4| |y| | 0.77|

rezultat je zbroj x i y, a ovo gore bi treble biti matrice🙂
EDIT: zeznulo me formatiranje ovo bi trebao biti umnožak matrica 2×2 s 2×1 = 2×1

Just_some_name normaliziras ocjene, za svaku komponentu radis sumu umnozaka vrijednosti featurea sa pripadajucom ocjenom i na kraju podijelis sumu sa 3, i onda si dobio komponentu vektora za taj feature.

dakle ocjene 4 2 i 5 normaliziramo na 0.33, -2.67 i 1.33
za cpu racunas 0.33*2.92 -2.67*3.02 + 1.33*2.96 i sve podjelis sa 3 i dobis -1.05
na kraju ces imat vektor user = x*cpu + y*gb + z*ram\ i ovaj -1.05 je x

Serial Number Q5U4EX7YY2E9N

netko_tamo
Ova 2 rjesenja ne daju iste rezultate, koje je ispravno onda? (ja bih rekao 2.)

Just_some_name normaliziras ocjene tak da oduzmes prosjek i dobijes vektor ocjena [⅓, -5/3, 4/3]. i sad imas sustav Ax = b, A su ti značajke ovih kompova transponirano, znači prvi redak A matrice bi bio [2.92, 570, 6], x ti je vektor user značajki koje trebaš odredit, a b ti je vektor ocjena

netko_tamo jel netko rijesio ovaj bas do kraja? dobivam neke cudne brojeve iako mi djeluje da ovaj postupak mora biti ispravan (npr. u korisnickom profilu ispada da mu pase -941 cpu sto mi nema smisla previse)

Audaces meni ispadne kao ovo drugo, mislim da se kolega zbunio kod prve normalizacije jer bi trebalo biti -1.67, a ne -2.67

Audaces Just_some_name ja se ispričavam izgleda da je moj postupak krivi, od kolege vuk172 izgleda točnije pa onda bolje taj proučite

12.zadatak iz zbirke zadataka, zašto se brisanje najstarijeg pretinca događa tek kad dolazi 9.bit,a ne 8. (ako je 8>N)? šta točno znači taj N?

MJ3 mislim da zato što kad imaš osmi bit taj N=7 još uvijek zahvaća ovaj crveni pravokutnik a kad dođe deveti je sedmi bit izvan pa se briše sve prije

MJ3 N je prozor koliko daleko u prošlost pamtimo podatke (7). znači current_timestamp - N + 1 je zadnji prozor koji smije postojati. u 8 retku najstariji prozor je timestampa 2, a trenutno vrijeme je 8, 8-7+1 = 2.
u 9. retku trenutni timestamp je 9 i najstariji prozor koji smije postojati u memoriji je onaj sa vremenskom oznakom 3, s obzirom da se ovaj prozor od 2 jedinice nije mergeao s novijim i time dobio noviju oznaku, briše se

Atem Prilično sam sigurna da se zaokružuje normalno. U jednom zadatku (nez sad kojem) je bilo k=4.16 i rezultat je 4. Čak sam išla raspisivat šta bi se desilo da je k = 3 ili 5 i stvarno je p(FP) najmanji s 4.

Just_some_name A koliko dobijes na kraju rezultat?

koji bi bio najlošiji kompetitivni omjer za 3 oglašivača ako se upotrijebi balance algoritam, za 2 je ¾ ali iskreno ne razumijem kako su došli do toga na prezama

tito Koliko sam shvatila za >2 oglašivača je najlošiji omjer uvijek: 1 - 1/e, tj. približno 0.63

Jel netko zna kako se rješavaju ovakvi zadaci?

brbrbr malo gore u temi je odgovor

brbrbr Bump za ovo, objašnjen je gore postupak ali s tim postupkom dobivam krivo rješenje (ispada -1.76, mora bit -3.49).

Može netko objasniti ovaj

konkretno zanima me kako se dolazi do P (a,c) i P(b,c) koji su prikazani u rješenju, ako je ono uopće i ispravno.

Cyric223

evo mog rjesenja… istog ces naci i u doc-u na materijalima. dobije se negativna vjerovatnost koja nema pretjeranog smisla. malo sam razmisljao o tome i sudeci po formulama izgleda da vjerovatnosti u ovom modelu nisu jako intuitivne… izgleda ako je py i 0, model se ponasa kao i da ne postoji i uzima samo x. radije, moguce je samo poboljsati vjerovatnost veze ako se preklapaju entiteti. ovo se zapravo vidi iz formule za p(u,v). gotovo mi se cini da je asistent samo nasrao neku brojku ocekivajuci da je moguca ta vjerovatnost, a sudeci po ovom doslovno nije. sa px=0.8, najmanja moguca vjerojatnost ovog AGM-a je gotovo 13% bez obzira na py. to jest ako je formula dobra, a zasad nisam nasao razloga zasto ne bi bila 😞

brbrbr prema postupku kojeg sam gore opisao ja dobivam -3.49 zbrajanjem značajki, prva je -2.22, druga -1.26.
Prva jednadžba je 0.2×1 - 0.75×2 = 0.5, adruga -0.63×1 + 0.4×2 = 0.9

netko_tamo Da nedostajao mi je predznak izgleda, hvala!

netko_tamo ja dobivam -2.47

netko_tamo zasto ti prva jednadba je izjednjacena sa 0.5 (a ne sa 0.23) i druga sa 0.9 ( a ne 0.77)?
edit: sad sam skuzila da su to dva razlicita zadatka