Optimisation stochastique et méthodes de graduation adaptative

Cette séance de cours couvre l'optimisation stochastique et les méthodes de gradient adaptatif. Il traite de l'application de ces méthodes dans les systèmes de recommandation et la factorisation matricielle, en mettant l'accent sur les matrices de notation utilisateur-item. La séance de cours explique l'algorithme de gradient stochastique et sa mise en œuvre pour prédire les notes manquantes dans la matrice. Il explore également la technique de moyenne Polyak-Ruppert pour lisser les itérations dans le processus d'optimisation. Différents concepts tels que les termes de biais, les vecteurs caractéristiques et la factorisation matricielle sont détaillés avec des exemples et des dérivations théoriques.