А если я перед каждой рекоммендацией могу выполнять факторизацию всей матрицы, то этой проблемы нет, и там я легко все, что надо, рекоммендую. Но тогда непонятно как разбить выборки на тестовую и обучающую, ведь все, что попало под факторизацию, было по факту обучающей выборкой. Как раз так я и планирую: факторизовать все, и рекомендовать для тех users, для которых есть скрытые представления. Как тут корректно оценить работу модели?

Спасибо, у меня отправился файл
Не знаю в чем было дело, мб с интернетом что-то

Если мы говорим об оценки модели - то нужно что то с чем то сравнить. Если юзер не попал в матрицу - мы можем ему предложить товар, но это уже за рамками алгоритма рекомендации, т.е. будет суммарная оценка самого алгоритма и той стратегии решения проблемы холодного старта, которую мы выбрали

Не совсем понял. Если я хочу работать только на юзерах, доступных для горячего старта, то как там разбивать на обучающую и тестовую выборки, если для горячего старта доступны только данные обучающей выборки?

т.е. в данной таблицу юзеры у вас уже уникальны. в таком случае можно для тестовой и валидационой выборки удалять часть items для юзера и смотреть, что будет рекомендовано вместо них

Удалить, будто user не взаимодействовал с тем item. Обучить и посмотреть, не порекомендовал ли он то, что было убрано. Все верно?

В курсе про метрики) Вопрос в том, что у меня все юзеры готовы к горячему старту, то есть состоят в обучающей выборке. Вот и думаю, как бы сделать так, чтоб не оценивать качество на том, что видела модель

да, несколько раз

Такой трюк общеизвестен и как-то называется, или он просто следует из здравого смысла? Чтоб было еще что почитать на эту тему

к сожалению, про почитать не найду

Понял, спасибо за помощь!

добрый день! Задание первой недели оцениваемая сокурсниками, не могу понять по установке сторонних библиотек, установил numpy, теперь когда хочу эту библиотку иморт сделать выходит такое

кто-то может объяснить слайд?

#c1w4

Задание: Используя информацию о среднем и дисперсии исходного распределения (её можно без труда найти в википедии), посчитайте значения параметров нормальных распределений, которыми, согласно центральной предельной теореме, приближается распределение выборочных средних. Обратите внимание: для подсчёта значений этих параметров нужно использовать именно теоретические среднее и дисперсию вашей случайной величины, а не их выборочные оценки.

Подскажите, какие параметры я должен передавать в функцию нормального распределения, как это связано со средним и дисперсией выбранного мной распределения?

подожди, ты же вроде рассказывал что-то про цпт

Я про курс Карпова говорил.

Снеси 1.19.4 - она баговая. Поставь 1.19.3

В конспектах курса всё написано ведь

pip uninstall numpy
pip install numpy==1.19.3