Bardzo popularny temat w środowisku data science: wyznaczanie rekomendacji. Jeśli mowa o rekomendacjach to wybór zbioru danych nie może być inny niż zbiór filmów i ich atrybutów. Klasyka Data Miningu 🙂 Jeśli chcesz zobaczyć proces implementacji zbiorów rozmytych w silniku rekomendacji, to zapraszam do zapoznania się z treścią wpisu.
Zbiory rozmyte
Zbiory rozmyte – wstęp
Zanim przejdę do praktycznego zastosowania logiki rozmytej w Machine Learning’u, bądź silnikach rekomendacyjnych, czuję się zobowiązany do popełnienia krótkiego, teoretycznego wstępu, tak by każdy z czytających mógł zapoznać się z główną ideą zbiorów rozmytych. Pierwszy projekt który opublikuje na blogu będzie pisany „od zera”. W realnym projekcie, nie korzystając z żadnych gotowych bibliotek, zaimplementuję ideę zbiorów rozmytych w połączeniu z jednym z podejść stosowanych w silnikach rekomendacyjnych (Content-based filtering). Wszak łatwiej implementować coś co się dogłębnie rozumie. A więc zaczynamy…
Podejmowanie decyzji w warunkach niepewności
Istnieje kilka podstawowych metod podejmowania decyzji przy niepełnej bądź też niepewnej informacji. Specjalizowanie się w chociażby kilku z nich graniczy z cudem, dlatego też w ramach tego bloga będę skupiać się trzech podstawowych, które to są mi najbliższe :
- zbiorach rozmytych,
- zbiorach przybliżonych,
- niepełnej informacji liniowej.
Co ciekawe, każda z nich ma w sobie odrobinę polskości, o czym wspominam poniżej. Każda z nich posiada swoje wady i zalety i może być stosowania w przypadku różnych potencjalnych sytuacji obarczonych niepewnością. Dla różnych typów zadań metody te będą dawały różne wyniki, dlatego też niezwykle ważny jest odpowiedni dobór metody do określonego problemu.