随笔分类 - deep learning
摘要：###挑战 多样性 歧义性 ###图灵测试 问答 对话 翻译 ###发展 规则方法、统计学习方法（依赖人工撰写特征）、深度学习方法（表示学习）
阅读全文
摘要：###nlp应用 分词、词性标注、命名实体识别 好评/差评判别、情感分析、舆情分析 快递单信息自动识别 搜索 智能问答和对话 机器同传 ###词向量 one-hot表示 把每个词表示为一个长向量。这个向量的维度是词表大小，向量中只有一个维度的值为1，其余维度为0，这个维度就代表了当前的词。 例如：苹
阅读全文
摘要：##AutoRec autoEncoder: loss function: ###神经元： 线性函数过一个激活函数（Sigmoid、ReLU、tanh） 反向传播链式法则： 基于物品的AutoEncoder：I-AutoRec，基于用户的AutoEncoder：U-AutoRec ##Deep Cr
阅读全文
摘要：#SVM全过程 https://blog.csdn.net/u013019431/article/details/79952483 最大间隔为：2/||w|| 的理解 wx + b = 0 表示空间中某一超平面,你会发现 w, b 同时放大或缩小相同的倍数, 即 𝑎(𝑤𝑥+𝑏)=𝑤′𝑥+
阅读全文
摘要：#简要说明 LR虽然是回归模型，但却是分类方法。 相较于SVM，在二分类问题中，SVM只会回答该样本是正类还是负类；LR，会回答该样本是正类的概率是多少 #模型 #求解方式 利用极大似然 利用梯度下降求解 其中，参数α叫学习率，这个参数设置很关键。如果设置的太大。缺点：那么很容易就在最优值附加徘徊;
阅读全文
摘要：推荐模型演化： 协同过滤： UserCF：基于用户相似度 ItemCF：基于物品相似度 相似度计算：Cosine Similarity、皮尔逊相关系数（引入用户平均分，减少了用户评分偏置影响）、还可以引入物品平均分，减少物品评分偏置对结果的影响 UserCF具备强的社交特性，ItemCF适用于兴趣变
阅读全文
摘要：推荐系统的数据部分： 客户端及服务端实时数据处理，流处理平台准实时数据处理，大数据平台离线数据处理 实时性：由强到弱 处理能力：由弱到强 推荐系统的模型部分： 召回层：快速从海量候选集召回用户可能感兴趣的物品 排序层：精排 补充策略与算法层：兼顾结果的多样性、流行度、新鲜度 离线训练：利用全量样本和
阅读全文
摘要：1、一般来说，error是bias和variance共同作用的结果 2、model比较简单和比较复杂的情况： 当model比较简单的时候，variance比较小，bias比较大，此时$f^\(会比较集中，但是function set可能并没有包含真实值\)\widehat$；此时model受bias
阅读全文
摘要：问题的导入：预测宝可梦的CP值 确定Senario、Task和Model 使用的Senario是Supervised Learning 使用的Task是Regression 关于Model，选择很多，这里采用的是Non-linear Model machine Learning的三个步骤： 定义一个
阅读全文
摘要：Supervised Learning(监督学习):这种function的output，通常被叫做label(标签) Regression(回归):通过regression找到的function，它的输出是一个scalar数值 Classification(分类):Binary Classifica
阅读全文
浙公网安备 33010602011771号