일 | 월 | 화 | 수 | 목 | 금 | 토 |
---|---|---|---|---|---|---|
1 | 2 | 3 | 4 | 5 | 6 | 7 |
8 | 9 | 10 | 11 | 12 | 13 | 14 |
15 | 16 | 17 | 18 | 19 | 20 | 21 |
22 | 23 | 24 | 25 | 26 | 27 | 28 |
29 | 30 |
Tags
- instaloader
- programmers
- 머신 러닝
- 회귀
- 데이터베이스
- db
- 프로그래머스
- python3
- 정렬
- SQL
- Regression
- GIT
- 운영체제
- PANDAS
- Heap
- 스택
- machine learning
- 재귀
- kmu
- googleapiclient
- 국민대학교
- 국민대
- Python
- gan
- LSTM
- Seq2Seq
- 파이썬
- Stack
- OS
- C++
Archives
- Today
- Total
목록LSH (1)
정리 노트
Local Sensitive Hashing for Cosine Similarity
이 포스트는 국민대학교 소프트웨어학부 '빅데이터최신기술' 강의를 듣고 요약하는 포스트입니다. 원하시는 정보가 없을 수도 있습니다. 이 점 유의 바랍니다. 오류 지적은 매우 환영합니다! 이전의 포스트에서 자카드 유사도로 문서 간의 유사도를 계산했고, LSH(Local Sensitive Hashing)를 통해 탐색 속도를 높였습니다. 유사도를 계산할 때 코사인 유사도를 사용한다면, LSH도 이에 맞게 바뀌어야 합니다. 코사인 유사도에 대한 설명은 제가 저번에 적었던 포스트의 마지막 부분을 참고하시면 됩니다. 따라서 이번 포스트에서 코사인 유사도를 사용할 때 LSH가 어떻게 이루어지는지 알아보겠습니다. Bag of Words 알아보기 전에 문서를 표현했던 방법에 대해 다시 한번 봅시다. 이전 포스트에서처럼 문..
개념 정리
2023. 6. 11. 17:33