ある文書内での各単語の出現回数。
TF (Term Frequency): 「単語の"頻度"」を覚える。
FがFrequencyで、TはTerm（単語）。
単語がどれだけレアかを測定する指標。
IDF (Inverse Document Frequency): 「逆数で"文書の頻度"」を考える。
IはInverse（逆数）なので、DFはDocument Frequency（文書の頻度）。
TF と IDF の積。文書内での単語の重要度を表す。
TF-IDF: これらを掛け合わせたもの。単語の文書内での重要度。
人々の選択を見る: 他の人が何を選んでいるかを見ます。
類似性を見つける: あなたが好きなものと似ている選択をしている人を見つけます。
おすすめを出す: その人が好きなものを、あなたにもおすすめします。
「協調」は人々がお互いに協力するようなイメージです。
この方法では、他の人たちがどう評価したか、何に興味を持ったかなどを基に、おすすめを生成します。
内容ベースフィルタリングは、アイテム（映画、本、商品など）の特徴に基づいて、おすすめを出す方法です。
特徴を分析する: アイテムの特徴（例：映画ならジャンルや監督）を分析します。
自分の好みを理解する: 自分がこれまで好きだったものにどんな特徴があったかを考えます。
おすすめを出す: 自分の好みに合った特徴を持つアイテムをおすすめします。
自分が好きなピザがハワイアンなら、他にもパイナップルやハムが入った料理が好きな可能性が高いと考える方法です。
覚え方のポイント：
データを K個のグループ（クラスタ）に分け、その平均値（Mean）を使って中心を更新する。
覚え方のポイント：
何かを判断するときに K個の近いデータ（Neighbors）を参考にする。
このような覚え方を使えば、K-meansとKNNの違いとそれぞれの主な概念を簡単に思い出すことができるでしょう。
KNN（K近傍法）は、データの分類や回帰（予測）を行うためのシンプルなアルゴリズムです。
あるデータが与えられたとき、そのデータがどのカテゴリに属するかを近くのデータを見て判断します。
最初に、あなたが好きな活動や興味を持っている科目などで、最も似ている3人（K=3）を見つけます。その3人がよく遊んでいる場所や参加しているクラブなどを参考に、あなたも何をすればいいかを決めます。
このように、周りのデータ（この場合はクラスメート）を参考にして、何かを決める方法がKNNです。
K-means（K平均法）は、非階層型のクラスタリング手法の一つです。データセットをK個のクラスタに分類します。
簡単に言えば、データをいくつかのグループに分ける方法です。
例えば、学校でテストの点数を元に「できる人たちのグループ」、「普通のグループ」、「苦手な人たちのグループ」のように分けることが考えられます。
最初にAさんとBさんをリーダーとして選びます。
CさんはAさんとBさんのどちらに近いかを考え、Aさんが近いと判断します。
次に、Aさんグループ（Aさん, Cさん）とBさんグループ（Bさん）の新しいリーダー（平均位置）を計算します。
これを繰り返して、最終的なグループを作ります。
このようにして、データをいくつかのグループに分けることができます。それがK-means（K平均法）です。
1曲目
アントニオ・ブオノーモ の 『Stu lietto』
2曲目
ジリオラ・チンクェッティ の 『Tu vuoi l'America』
