自定义博客皮肤VIP专享

*博客头图:

格式为PNG、JPG,宽度*高度大于1920*100像素,不超过2MB,主视觉建议放在右侧,请参照线上博客头图

请上传大于1920*100像素的图片!

博客底图:

图片格式为PNG、JPG,不超过1MB,可上下左右平铺至整个背景

栏目图:

图片格式为PNG、JPG,图片宽度*高度为300*38像素,不超过0.5MB

主标题颜色:

RGB颜色,例如:#AFAFAF

Hover:

RGB颜色,例如:#AFAFAF

副标题颜色:

RGB颜色,例如:#AFAFAF

自定义博客皮肤

-+
  • 博客(12)
  • 资源 (2)
  • 问答 (1)
  • 收藏
  • 关注

转载 随机数发生器原理

随机数发生器的基本原理:下一个随机数 = 数学函数(前若干个随机数)评价一个随机数发生器的好坏:看起来是[0,1]之间的随机均匀分布运行快,内存消耗低可以重复,英文是reproducible:支持stream,即支持将一个随机数序列分割为相互无覆盖的子集,每个子集称为一个stream线性同余发生器(Linear Congruential Generator)

2017-03-30 18:24:50 4697 1

转载 supervisor配置详解(转)

有阵子没写博客了,这段时间一直在研究python django框架和前端相关的东西。楼主学通信的,对web这一块啥也不懂,学了一个礼拜django,接着学了2个礼拜前端,感觉还是做不出来一个好看的页面。周末去了趟上海,蹭大神的讲课,学会了套用bootstrap框架和heighcharts,页面上也终于出来能看的东西了,也算是在web开发方面迈出了阶段性的一步。    这两天公司终于派任务给

2017-03-30 16:50:39 596 1

转载 深入FFM原理与实践

http://tech.meituan.com/deep-understanding-of-ffm-principles-and-practices.htmlFM和FFM模型是最近几年提出的模型,凭借其在数据量比较大并且特征稀疏的情况下,仍然能够得到优秀的性能和效果的特性,屡次在各大公司举办的CTR预估比赛中获得不错的战绩。美团点评技术团队在搭建DSP的过程中,探索并使用了FM和F

2017-03-21 15:54:58 614

转载 Factorization Machines 学习笔记(四)学习算法

最近学习了一种叫做 Factorization Machines(简称 FM)的算法,它可对任意的实值向量进行预测。其主要优点包括: 1) 可用于高度稀疏数据场景;2) 具有线性的计算复杂度。本文将对 FM 框架进行简单介绍,并对其训练算法 — 随机梯度下降(SGD)法和交替最小二乘(ALS)法进行详细推导。相关链接:(一)预测任务(二)模型方程(三)回归和分

2017-03-21 15:25:38 480

转载 Factorization Machines 学习笔记(三)回归和分类

最近学习了一种叫做 Factorization Machines(简称 FM)的算法,它可对任意的实值向量进行预测。其主要优点包括: 1) 可用于高度稀疏数据场景;2) 具有线性的计算复杂度。本文将对 FM 框架进行简单介绍,并对其训练算法 — 随机梯度下降(SGD)法和交替最小二乘(ALS)法进行详细推导。相关链接:(一)预测任务(二)模型方程(三)回归和分

2017-03-21 14:59:42 311

转载 Factorization Machines 学习笔记(二)模型方程

最近学习了一种叫做 Factorization Machines(简称 FM)的算法,它可对任意的实值向量进行预测。其主要优点包括: 1) 可用于高度稀疏数据场景;2) 具有线性的计算复杂度。本文将对 FM 框架进行简单介绍,并对其训练算法 — 随机梯度下降(SGD)法和交替最小二乘(ALS)法进行详细推导。相关链接:(一)预测任务(二)模型方程(三)回归和分

2017-03-21 14:53:09 326

转载 Factorization Machines 学习笔记(一)预测任务

最近学习了一种叫做 Factorization Machines(简称 FM)的算法,它可对任意的实值向量进行预测。其主要优点包括: 1) 可用于高度稀疏数据场景;2) 具有线性的计算复杂度。本文将对 FM 框架进行简单介绍,并对其训练算法 — 随机梯度下降(SGD)法和交替最小二乘法(ALS)法进行详细推导。相关链接:(一)预测任务(二)模型方程(三)回归和

2017-03-21 11:40:15 390

转载 推荐系统的EE问题及Bandit算法

经常听身边的人说起使用推荐系统的感受,“某宝某东就是看什么给推什么”,使用者对推荐系统产生厌倦;也有听做推荐系统的同学抱怨推荐的冷启动问题,如何去尝试新用户的兴趣点,尝试到什么时候地步才算真正掌握了用户的兴趣,用户的兴趣发生改变如何灵活的调整推荐策略。这些,都与今天聊到的E&E问题有关,而Bandit算法是解决E&E问题的一种思路。本文首先描述E&E问题的及策略框架,然后介绍几个代表的Bandit

2017-03-21 10:45:05 7454

原创 汉字到罗马拼音词表

吖吖①A②KUH③A④K阿阿①A②BS③A④B啊啊①A②KB③A④K锕錒①A②QBS③A④Q嗄嗄①A②KDHT③A④K哎哎①AI②KAQ③A④K哀哀①AI②YEU③A④Y唉唉①AI②KCT③A④K埃埃①AI②FCT③A④F挨挨①AI②RCT③A④R锿鎄①AI②QYEY③A④Q捱捱①AI②RDFF③A④R皑皚①AI②RMNN③A④R癌癌①AI②UK

2017-03-09 18:35:18 120537 1

转载 在线最优化求解(Online Optimization)之一:预备篇

by @fengyoung2014-12-08动机与目的在实际工作中,无论是工程师、项目经理、产品同学都会经常讨论一类话题:“从线上对比的效果来看,某某特征或因素对xx产品的最终效果有很大的影响”。这类话题本质上说的是通过已有的数据反映出某些特定的因素对结果有很强的正(或负)相关性。而如何定量计算这种相关性?如何得到一套模型参数能够使得效果达到最优?这就是最优化计算要做的事

2017-03-08 17:32:16 4539 1

转载 机器学习(1)之梯度下降(gradient descent)

题记:最近零碎的时间都在学习Andrew Ng的machine learning,因此就有了这些笔记。 梯度下降是线性回归的一种(Linear Regression),首先给出一个关于房屋的经典例子,面积(feet2)房间个数价格(1000$)2104340016003330

2017-03-08 17:19:20 1197

转载 让GDB支持STL的标准库的方法

本文源自http://sourceware.org/gdb/wiki/STLSupport正常情况下,gdb没法直观的打印出stl标准库中的容器之类的,调试起来非常困难了。如vector,queue, deque, list等。如vector a(gdb) p a$1 = { >> = {    _M_impl = {> = {> = {}, }, _M

2017-03-01 15:02:39 1380

ML step by step

ML step by step ML step by step ML step by step ML step by step ML step by step ML step by step ML step by step ML step by step ML step by step

2017-09-21

在线最优化求解(Online Optimization)-冯扬-2014.12.0

在线最优化求解(Online Optimization)-冯扬-2014.12.0

2017-04-06

TA创建的收藏夹 TA关注的收藏夹

TA关注的人

提示
确定要删除当前文章?
取消 删除