在MVG(多视图几何)和机器学习领域，求解线性方程组几乎是所有算法的根本，本文旨在帮助读者搞懂矩阵分解与线性方程组的关系，并给出利用SVD求解线性方程组的实战代码。
本资源是博文"【动手学MVG】矩阵分解与线性方程组的关系，求解线性方程组实战代码"的完整工程。博文链接：https://blog.csdn.net/a435262767/article/details/108774141
2021-01-28 05:03:50
842KB
1
如果你对本系列(未写完，持续更新中)感兴趣，可接以下传送门(CSDN搜索)：
【推荐算法】从零开始做推荐（一）——认识推荐、认识数据
【推荐算法】从零开始做推荐（二）——推荐系统的评价指标，计算原理与实现样例
【推荐算法】从零开始做推荐（三）——传统矩阵分解的TopK推荐
2021-01-28 05:01:45
488KB
1
本资源主要对矩阵分解中的LU分解、LDL’分解、乔列斯基分解，以及无约束最优化领域中的最速下降法、牛顿法、拟牛顿法的原理、步骤和算法进行了简要介绍，并对各种方法进行了Matlab编程实验，得到了较好的结果。
本资源包含了《矩阵分解及无约束最优化方法的原理和应用简介》文档以及其中用到的全部Matlab代码，非常适合初学者进行研究和学习。
2020-04-22 03:16:54
164KB
1
java实现的几个推荐算法：slopeone SVD,RSVD,ItemNeighborSVD
内有readme,相关内容在blog.csdn.net/lgnlgn
2020-02-13 03:05:57
86KB
1