dengtanguan6850-CSDN博客

转载 Word Embeddings: Encoding Lexical Semantics（译文）

词向量：编码词汇级别的信息 url:http://pytorch.org/tutorials/beginner/nlp/word_embeddings_tutorial.html?highlight=lookup 词嵌入词嵌入是稠密向量，每个都代表了一个单词表里面的一个单词。NLP中每个Feature都是单词，但是怎么在电脑中表示单词呢？？ ascii知识告诉我们每个单词是啥，没告...

2017-11-30 18:24:00 207

转载从尾到头打印链表

思路分析：从尾到头，凡是遇到这种逆序问题，可以先考虑用栈，因为栈是先进后出；也可以考虑使用题归，不过递归确实比较灵活，不好掌握。还有一个比较直观的思路就是先把链表反转，然后再从头到尾打印。代码：使用栈 1 class Solution{ 2 public: 3 //写函数名呗 4 vector<int> printListFromTa...

2017-08-31 02:16:00 72

转载逻辑回归小结

参考：http://ufldl.stanford.edu/wiki/index.php/Softmax%E5%9B%9E%E5%BD%92 转载于:https://www.cnblogs.com/aaronsw/p/7418223.html

2017-08-23 15:02:00 111

转载线性回归小结

转载于:https://www.cnblogs.com/aaronsw/p/7413797.html

2017-08-22 21:34:00 108

转载通俗理解最大熵模型

转载于:https://www.cnblogs.com/aaronsw/p/7412825.html

2017-08-22 17:55:00 295

转载 kaggle实战之 bag of words meet bag of poopcorn

由于编辑器总是崩溃，我只能直接把代码贴上了。 import numpy #first step import pandas as pd import numpy as np # Read data from files #这三行的目的就是读入文件，pd.read_csv()这个API里面参数还是比较多的，可以查阅官方文档 #人工标记过的训练数据 trai...

2017-08-14 10:52:00 137

转载 2017.07.17——机器学习——朴素贝叶斯

今天应该是把朴素贝叶斯算法层面上的东西全部理解了，朴素贝叶斯总的来说是比较简单的机器学习模型，是生成模型，而不是判别模型，是在假定y的条件下看x的生成情况。朴素贝叶斯两个朴素的但不一定正确的假设，条件概率，到贝叶斯公式，再推广到朴素贝叶斯的公式，利用朴素的假设简化模型，类别的参数估计总是用MLE或者MAP估计（平滑），对于给定y之后的x，如果假设x服从高斯分布，利用最大似然估计...

2017-07-17 22:43:00 85

转载贝叶斯定理

看了两天的贝叶斯理论，终于算是理解一些，现在写下来自己的收获。 1.贝叶斯公式 $P(A|B)=P(A) \frac {P(B|A)}{P(B}$，我认为，这样的形式才能帮助我们更好的取理解贝叶斯公式，而不是将贝叶斯公式看作是由条件概率推导而来的公式。公式的理解：（1）$P(A)$就是所谓的先验概率，什么是先验概率，就是你最早知道的概率，或者是什么都不知道的时候的概率，此时一般都...

2017-06-25 22:15:00 182

转载似然函数

1.什么是似然函数一句话概括：似然函数是参数的函数。公式：解释：参数$\theta$在给定输出为x的情况下的似然函数等于，在给定参数为$\theta$的情况下，取x的概率。注意：此处的竖杠并不表示条件件概率，仅仅是一种取该值的含义。我的理解：在统计学中，随机变量会服从某个分布，此分布带有参数。参数不同，随机变量对应同一个值的概率也不同。一般来说我们给定参数，然后来计算概率。但...

2017-06-25 21:01:00 1312

dengtanguan6850的博客