摘要：
[TOC] SAC过程 (split apply combine)：其中split指基于某一些规则，将数据拆成若干组，apply是指对每一组独立地使用函数，combine指将每一组的结果组合成某一类数据结构。 apply过程 ：往往会遇到四类问题： 整合（Aggregation）——即分组计算统计量 阅读全文
摘要：
[TOC] 上篇文章介绍了Pandas的基础操作，包括文件读写、Series和DataFrame数据结构、一些常用基本函数、数据排序等。 今天我们来学习一下Pandas的索引。 （超详细！一文搞定！） Pandas单级索引 1. loc、iloc、[]操作符 这三类最常用的索引方法，其中iloc表示 阅读全文
摘要：
[TOC] 1 Pandas文件读取和写入 1.1 文件读取（csv、txt、xls/xlsx） 1.2 文件写入（csv、xls/xlsx） 2 Pandas基本数据结构（Series、Dataframe） 2.1 Series (1)创建Series 官方文档上定义Series是轴标签为索引的一 阅读全文
摘要：
1 卷积神经网络基础 1.1 二维卷积层 1.1.1 二维互相关运算 二维互相关（cross correlation）运算的输入是一个二维输入数组和一个二维核（kernel）数组，输出也是一个二维数组，其中核数组通常称为卷积核或过滤器（filter）。卷积核的尺寸通常小于输入数组，卷积核在输入数组上 阅读全文
摘要：
1 梯度消失和梯度爆炸 深度模型有关数值稳定性的典型问题是 消失（vanishing） 和 爆炸（explosion） 。 当神经网络的层数较多时，模型的数值稳定性容易变差。 假设一个层数为$L$的多层感知机的第$l$层$\boldsymbol{H}^{(l)}$的权重参数为$\boldsymbol 阅读全文
摘要：
1 训练误差和泛化误差 训练误差（training error） ：模型在训练数据集上表现出的误差。 泛化误差（generalization error） ：模型在任意一个测试数据样本上表现出的误差的期望，并常常通过测试数据集上的误差来近似。 计算训练误差和泛化误差可以使用之前介绍过的损失函数，例如 阅读全文
摘要：
[TOC] 下图展示了如何基于循环神经网络实现语言模型。基于当前的输入与过去的输入序列，预测序列的下一个字符。循环神经网络引入一个隐藏变量$H$，用$H_{t}$表示$H$在时间步$t$的值。$H_{t}$的计算基于$X_{t}$和$H_{t 1}$，可以认为$H_{t}$记录了到当前字符为止的序列 阅读全文
摘要：
[TOC] 一段自然语言文本可以看作是一个离散时间序列，给定一个长度为$T$的词的序列$w_1, w_2, \ldots, w_T$，语言模型的目标就是评估该序列是否合理，即计算该序列的概率： $$ P(w_1, w_2, \ldots, w_T). $$ 1. 语言模型 假设序列$w_1, w_2 阅读全文
摘要：
[TOC] 文本预处理 文本是一类序列数据，一篇文章可以看作是字符或单词的序列，下面介绍文本数据的常见预处理步骤，预处理通常包括四个步骤： 1. 读入文本 2. 分词 3. 建立字典，将每个词映射到一个唯一的索引（index） 4. 将文本从词的序列转换为索引的序列，方便输入模型 step1：读入文 阅读全文
摘要：
[TOC] 多层感知机的基本知识 深度学习主要关注多层模型。在这里，我们将以多层感知机（multilayer perceptron，MLP）为例，介绍多层神经网络的概念。 隐藏层 下图展示了一个多层感知机的神经网络图，它含有一个隐藏层，该层中有5个隐藏单元。 表达公式 具体来说，给定一个小批量样本$ 阅读全文