摘要:大纲和导航,持续更新 机器学习基础 1. 误差 https://www.cnblogs.com/chaojunwang-ml/p/11189411.html 2. 梯度下降 https://www.cnblogs.com/chaojunwang-ml/p/11190403.html 3. 反向传播  阅读全文
posted @ 2019-09-03 17:00 王朝君BITer 阅读 (9) 评论 (0) 编辑
摘要:决定在博客园上记录自己的课程学习笔记、论文阅读总结、以及个人生活所见所感。 先把以前自己写在有道云笔记上的内容搬运过来,整体上按照ML/DL算法的分类整理博客,按照自己的理解把课程笔记 mark down。 主要来源于以下课程,喜爱程度不分先后: 1. 李宏毅老师:http://speech.ee. 阅读全文
posted @ 2019-07-10 09:36 王朝君BITer 阅读 (49) 评论 (0) 编辑
摘要:什么是推荐系统? 1. 能做什么? 找出 user 和 item 之间的联系、预测未来 user 和 item 可能出现的连接(产生了某种关系:比如用户点击、购买、评论了物品;或者用户某些属性和物品的属性一致 ...) 2. 需要什么? 需要已经存在的 user 和 item 之间的连接记录 3. 阅读全文
posted @ 2019-09-19 21:53 王朝君BITer 阅读 (3) 评论 (0) 编辑
摘要:字节跳动提前批-财经-算法 一面 1. 自我介绍 2. 项目经历介绍 3. 推导 logistic regression 的代价函数和梯度 4. 一个有序数组,可能以某个位置为界,前后两部位置调换,求 O(logn) 的搜索 字节宣传提前批不影响正式批,不要信不要信不要信,重要的事说三遍 美团北斗- 阅读全文
posted @ 2019-09-19 09:38 王朝君BITer 阅读 (57) 评论 (0) 编辑
摘要:动态规划 Dynamic Programming 一种设计的技巧,是解决一类问题的方法 dp遵循固定的思考流程:暴力递归 —— 递归+记忆化 —— 非递归的动态规划(状态定义+转移方程) 斐波那契数列 暴力递归,看上去很简洁 def fib(n): return n if n <= 1 else f 阅读全文
posted @ 2019-09-17 16:52 王朝君BITer 阅读 (21) 评论 (0) 编辑
摘要:Adaboost + CART 用 CART 决策树来作为 Adaboost 的基础学习器 但是问题在于,需要把决策树改成能接收带权样本输入的版本。(need: weighted DTree(D, u(t)) ) 这样可能有点麻烦,有没有简单点的办法?尽量不碰基础学习器内部,想办法在外面把数据送进去 阅读全文
posted @ 2019-09-15 19:44 王朝君BITer 阅读 (17) 评论 (0) 编辑
摘要:1. 平衡二叉树 输入一棵二叉树,判断该二叉树是否是平衡二叉树。 解: 要么是一颗空树,要么左右子树都是平衡二叉树且左右子树深度之差不超过1 1 # class TreeNode: 2 # def __init__(self, x): 3 # self.val = x 4 # self.left = 阅读全文
posted @ 2019-09-09 15:57 王朝君BITer 阅读 (16) 评论 (0) 编辑
摘要:决策树的核心思想就是 if else,实现了 conditional aggregation,关键问题在于分裂的时候哪些特征在前哪些特征在后。从 ID3 开始使用熵(entropy)来作为决策选择的度量。决策树可以做分类,也可以做回归,是一种比较灵活的算法。主要包括 ID3、C4.5、CART,可以 阅读全文
posted @ 2019-09-05 14:26 王朝君BITer 阅读 (9) 评论 (0) 编辑
摘要:传统方法中,如何衡量一个generator ?—— 用 generator 产生数据的 likelihood,越大越好。 但是 GAN 中的 generator 是隐式建模,所以只能从 P_G 中采样但没法根据 pdf 算 likelihood。 一个方法是把从 P_G 中采样得到的点当作是一个高斯 阅读全文
posted @ 2019-09-03 20:49 王朝君BITer 阅读 (16) 评论 (0) 编辑
摘要:大纲和导航,持续更新 机器学习基础 1. 误差 https://www.cnblogs.com/chaojunwang-ml/p/11189411.html 2. 梯度下降 https://www.cnblogs.com/chaojunwang-ml/p/11190403.html 3. 反向传播  阅读全文
posted @ 2019-09-03 17:00 王朝君BITer 阅读 (9) 评论 (0) 编辑
摘要:Improving Supervised Seq-to-seq Model 有监督的 seq2seq ,比如机器翻译、聊天机器人、语音辨识之类的 。 而 generator 其实就是典型的 seq2seq model ,可以把 GAN 应用到这个任务中。 RL(human feedback) 训练目 阅读全文
posted @ 2019-09-03 16:39 王朝君BITer 阅读 (11) 评论 (0) 编辑
摘要:InfoGAN 期望的是 input 的每一个维度都能表示输出数据的某种特征。但实际改变输入的一个特定维度取值,很难发现输出数据随之改变的规律。 InfoGAN 就是想解决这个问题。在 GAN 结构以外,把输入 z 分成两个部分 c 和 z' ,然后根据 generated data x 来预测给到 阅读全文
posted @ 2019-09-03 09:03 王朝君BITer 阅读 (20) 评论 (0) 编辑