![](https://img-blog.csdnimg.cn/20201014180756916.png?x-oss-process=image/resize,m_fixed,h_64,w_64)
论文阅读
文章平均质量分 92
hust-dou
这个作者很懒,什么都没留下…
展开
-
论文阅读-LightGBM: A Highly Efficient Gradient Boosting Decision Tree
GBDT是常用的机器学习算法,有少量高质量的实现算法,例如:XGBoost和pGBRT。原创 2017-12-15 21:22:23 · 12728 阅读 · 2 评论 -
论文阅读-XGBoost: A Scalable Tree Boosting System
Tianqi Chen大神提出了一种可扩展性的端到端基于树的boosting系统,这个系统可以处理稀疏性数据,通过分布式加权直方图算法去近似学习树,这个系统也提供基于缓存的加速模式、数据压缩、分片功能。机器学习应用于垃圾邮件分类、基于上下文植入广告、阻止银行恶意袭击的漏洞检测系统、探测引发物理显现的事件。有两个重要的因子驱动这些成功的应用:发现数据之间相关性的模型、从大量数据集中学习到有趣的模型。原创 2017-12-15 20:50:33 · 14262 阅读 · 4 评论 -
论文Natural Language Processing: State of The Art, Current Trends and Challenges
摘要:这篇文章提出自然语言处理涉及到自然语言理解和生成自然语言(understand and generate the text)。自然语言处理任务又分为:语音(听觉),语言形态、语法、语义、语用(语言的角度)。自然语言任务细分为:自动生成文本摘要、共指消解、话语分析、命名实体识别、形态切分、字符识别、词性标注。自动生成文本摘要(auto summarization):生成易于原创 2017-12-01 10:51:15 · 849 阅读 · 0 评论 -
论文Recent Trends in Deep Learning Based Natural Language Processing
一:abstract。深度学习已经应用于很多领域,特别是在计算视觉和模式识别方面取得了突出的成绩。深度学习应用于NLP的一大优势是自动特征提取,而传统的NLP处理技术大多是通过手工提取特征,手工提取特征耗时、不完整。Natural Language Processing (Almost) from Scratch阐述了基于深度学习的框架和算法在词性标注、命名实体识别、语义角色标签等NLP任原创 2017-12-01 17:02:09 · 985 阅读 · 0 评论