![](https://img-blog.csdnimg.cn/20201014180756925.png?x-oss-process=image/resize,m_fixed,h_64,w_64)
课程笔记
文章平均质量分 93
钳子_0123
在校大学生
展开
-
机器翻译与编码-解码模型 Machine Translation and Encoder-Decoder Models
本章节将介绍机器翻译 (machine translation MT)。标准的机器翻译算法是编码-解码(Encoder-Decoder)网络,也叫序列到序列(sequence to sequence)网络,其可以由RNN或者Transformer结构来实现。翻译 2021-03-08 02:04:08 · 1895 阅读 · 0 评论 -
向量语义与静态词嵌入——从tf-idf到GloVe
本文基于《Speech and Language Processing (3rd)》-- Chapter6 - Vector Semantics and Embeddings,并结合多篇论文和优秀的博客整理得到。如有侵权,请联系删除。如需转载,请私信本人或在文章下方评论。Chapter6 向量语义与嵌入 (Vector Semantics and Embeddings)分布假说(distributional hypothesis):在相似的语境中出现的单词往往有相似的意思。单词如何分布的相似性.翻译 2021-03-05 05:53:06 · 1179 阅读 · 2 评论 -
序列处理的深度学习框架——从RNN到Transformer
Chapter9 序列处理的深度学习框架本读书笔记摘取自斯坦福大学的《Speech and Language Processing (3rd)》Chapter9 - Deep Learning Architectures for Sequence Processing。出版时间:第三版暂未出版本博客是根据原书进行翻译整理得出,如有侵权,请联系删除。如需转载,请私信本人或在文章下方评论。原文链接:https://web.stanford.edu/~jurafsky/slp3/9.pdf9.1 回翻译 2021-03-03 10:40:46 · 1320 阅读 · 0 评论 -
【Stanford CS230】Lecture8: 阅读文献与职业规划
目录阅读文献与职业规划阅读文献职业规划阅读文献与职业规划本篇文章是对 Stanford CS230: Deep Learning | Lecture 8 的总结。本次Lecture介绍了如何阅读paper以及在职业选择上的一些建议。在下面的笔记中,我也加入了自己的一些想法,仅供参考。阅读文献将需要阅读的内容列一个表格,包括:papers (arXiv), blog, medium (当然也包括知乎专栏,简书,CSDN中的优秀博文)。每一个表格只包括一个单独的研究方向,比如data2text,sen原创 2021-02-24 03:35:00 · 131 阅读 · 0 评论