<?xml version="1.0" encoding="utf-8" ?><rss version="2.0"><channel><title><![CDATA[LWHGMAN的博客]]></title><description><![CDATA[]]></description><link>https://blog.youkuaiyun.com/LWHGMAN</link><language>zh-cn</language><generator>https://blog.youkuaiyun.com/</generator><copyright><![CDATA[Copyright &copy; LWHGMAN]]></copyright><item><title><![CDATA[RocketQAv2阅读笔记（#问答系统 #NLP #检索）]]></title><link>https://blog.youkuaiyun.com/LWHGMAN/article/details/124158806</link><guid>https://blog.youkuaiyun.com/LWHGMAN/article/details/124158806</guid><author>LWHGMAN</author><pubDate>Wed, 13 Apr 2022 23:14:12 +0800</pubDate><description><![CDATA[个人博客：05hBoolShow的博客_优快云博客-SLAM,概率论,线性代数领域博主

百度的检索技术厉害的原因：现实中 海量的用户历史数据、强大的中文ERNIE预训练模型、各种创新的模型训练策略。其中RocketQA v2便是其一。

先前，自己工作中，也有使用过RocketQA v1模型（策略），并完成相关业务。特此拜读v2论文《RocketQAv2: A Joint Training Method for Dense Passage Retrieval and Passage Re-ra...]]></description><category></category></item><item><title><![CDATA[RNN-循环神经网络-吴恩达读书笔记]]></title><link>https://blog.youkuaiyun.com/LWHGMAN/article/details/101163893</link><guid>https://blog.youkuaiyun.com/LWHGMAN/article/details/101163893</guid><author>LWHGMAN</author><pubDate>Sun, 22 Sep 2019 17:16:12 +0800</pubDate><description><![CDATA[参考博文：http://www.ai-start.com/dl2017/html/lesson5-week1.html#header-n114

1、为什么选择序列模型？（Why Sequence Models?）

什么是序列模型:

序列模型也就是处理与时间有关系的数据的模型，这些数据前后是有相互依存的关系的。比如音频片段（歌曲、语言），是一个按照时间播放的序列。

序列模型在机器翻译、文本生...]]></description><category></category></item><item><title><![CDATA[编辑距离]]></title><link>https://blog.youkuaiyun.com/LWHGMAN/article/details/101155457</link><guid>https://blog.youkuaiyun.com/LWHGMAN/article/details/101155457</guid><author>LWHGMAN</author><pubDate>Sun, 22 Sep 2019 13:48:44 +0800</pubDate><description><![CDATA[NLP中有个 编辑距离 的概念，常运用到单词纠错中。本博文介绍并代码实现编辑距离。参考并综合以下三篇博文。

https://blog.youkuaiyun.com/LWHGMAN/article/details/100067314
	https://blog.youkuaiyun.com/baodream/article/details/80417695
	https://www.jianshu.com/p/a6...]]></description><category></category></item><item><title><![CDATA[信息论基础--熵]]></title><link>https://blog.youkuaiyun.com/LWHGMAN/article/details/101120175</link><guid>https://blog.youkuaiyun.com/LWHGMAN/article/details/101120175</guid><author>LWHGMAN</author><pubDate>Sat, 21 Sep 2019 21:57:31 +0800</pubDate><description><![CDATA[熵是信息论的基础理论，掌握和学习它十分重要。这里介绍若干信息论中的相关概念，重点参考宗成庆老师的《统计自然语言处理》书籍和课件。也在这，强烈推荐下宗成庆老师的《统计自然语言处理》书籍和课件。

目录

熵

联合熵(joint entropy)

条件熵(conditional entropy)

连锁规则---》log运算而来

熵率(entropy rate)

相对熵（KL距离）

交叉熵
...]]></description><category></category></item><item><title><![CDATA[快速复习回忆--动态规划算法]]></title><link>https://blog.youkuaiyun.com/LWHGMAN/article/details/100067314</link><guid>https://blog.youkuaiyun.com/LWHGMAN/article/details/100067314</guid><author>LWHGMAN</author><pubDate>Sun, 25 Aug 2019 20:46:52 +0800</pubDate><description><![CDATA[参考的博客有两篇

链接：https://blog.youkuaiyun.com/qq_38410730/article/details/81667885

链接：https://blog.youkuaiyun.com/Shile975/article/details/89971720

动态规划算法大二时学了，但是经不起岁月的遗忘。发现了上述优秀的博文，很快帮助恢复了算法的记忆，特此转载。

动态规划的原理

动态规划...]]></description><category></category></item><item><title><![CDATA[线性代数  第五章  相似矩阵与二次型]]></title><link>https://blog.youkuaiyun.com/LWHGMAN/article/details/99420807</link><guid>https://blog.youkuaiyun.com/LWHGMAN/article/details/99420807</guid><author>LWHGMAN</author><pubDate>Tue, 13 Aug 2019 12:33:00 +0800</pubDate><description><![CDATA[第二节 方正特征值和特征向量













第三节 相似矩阵


















]]></description><category></category></item><item><title><![CDATA[线性代数  第四章 向量组的线性相关性]]></title><link>https://blog.youkuaiyun.com/LWHGMAN/article/details/99310759</link><guid>https://blog.youkuaiyun.com/LWHGMAN/article/details/99310759</guid><author>LWHGMAN</author><pubDate>Mon, 12 Aug 2019 17:16:45 +0800</pubDate><description><![CDATA[第2节 向量组的相关性



第3节 向量组的秩





第4节 线性方程组解的结构























第5节 向量空间










]]></description><category></category></item><item><title><![CDATA[线性代数 第三章 矩阵初等变化与线性方程组 复习笔记]]></title><link>https://blog.youkuaiyun.com/LWHGMAN/article/details/98904210</link><guid>https://blog.youkuaiyun.com/LWHGMAN/article/details/98904210</guid><author>LWHGMAN</author><pubDate>Fri, 09 Aug 2019 00:59:38 +0800</pubDate><description><![CDATA[第2节 初等矩阵









第3节 矩阵的秩







第4节 线性方程组的解






]]></description><category></category></item><item><title><![CDATA[线性代数  第二章 矩阵]]></title><link>https://blog.youkuaiyun.com/LWHGMAN/article/details/98481077</link><guid>https://blog.youkuaiyun.com/LWHGMAN/article/details/98481077</guid><author>LWHGMAN</author><pubDate>Mon, 05 Aug 2019 12:58:56 +0800</pubDate><description><![CDATA[第二节 矩阵的运算













第三节 矩阵的逆







第四节 分块矩阵







例题
















]]></description><category></category></item><item><title><![CDATA[线代第一章 行列式 复习笔记]]></title><link>https://blog.youkuaiyun.com/LWHGMAN/article/details/98330916</link><guid>https://blog.youkuaiyun.com/LWHGMAN/article/details/98330916</guid><author>LWHGMAN</author><pubDate>Sat, 03 Aug 2019 13:44:46 +0800</pubDate><description><![CDATA[第二节









第三节



第四节



例10





例11





例13





例14





第五节



例16










]]></description><category></category></item><item><title><![CDATA[《机器学习实战》Code2-朴素贝叶斯分类]]></title><link>https://blog.youkuaiyun.com/LWHGMAN/article/details/98185014</link><guid>https://blog.youkuaiyun.com/LWHGMAN/article/details/98185014</guid><author>LWHGMAN</author><pubDate>Fri, 02 Aug 2019 11:51:05 +0800</pubDate><description><![CDATA[本博客是学习《机器学习实战》例子后，自己对书上的例子代码总结的个人理解。在代码必要的地方，添加了注解。博客书写的目的是，方便后续的复习。

分类器往往会发生错误，所以，往往需要分类器给出一个最优的类别猜测的结果，同时给出这个猜测的概率值。而朴素贝叶斯分类正好可以解决这个问题。

贝叶斯分类的核心思想是：对于一个数据点（x，y），选择高概率对应的类别，也就是选择该概率正确的决策。具体过程，使用如下准...]]></description><category></category></item><item><title><![CDATA[《机器学习实战》Code1-KNN]]></title><link>https://blog.youkuaiyun.com/LWHGMAN/article/details/98068550</link><guid>https://blog.youkuaiyun.com/LWHGMAN/article/details/98068550</guid><author>LWHGMAN</author><pubDate>Thu, 01 Aug 2019 16:12:56 +0800</pubDate><description><![CDATA[本博客是学习《机器学习实战》例子后，自己对书上的例子代码总结的个人理解。在代码必要的地方，添加了注解。博客书写的目的是，方便后续的复习。

k-邻近算法：选择样本集中特征比较最邻近的k个点，将这K个点中出现次数最多的分类，作为新数据的分类。

k-邻近算法对异常值不敏感（采用k个数据投票的方式），并且预先不需要训练算法（输入特征向量后，全局计算距离，没有之前没有训练好的分类器）。

k-邻近算法是...]]></description><category></category></item><item><title><![CDATA[第三章 多维随机向量的分布以及数字特征]]></title><link>https://blog.youkuaiyun.com/LWHGMAN/article/details/97533459</link><guid>https://blog.youkuaiyun.com/LWHGMAN/article/details/97533459</guid><author>LWHGMAN</author><pubDate>Thu, 01 Aug 2019 15:47:20 +0800</pubDate><description><![CDATA[]]></description><category></category></item><item><title><![CDATA[第二章 随机变量分布和数字特征]]></title><link>https://blog.youkuaiyun.com/LWHGMAN/article/details/97490161</link><guid>https://blog.youkuaiyun.com/LWHGMAN/article/details/97490161</guid><author>LWHGMAN</author><pubDate>Thu, 01 Aug 2019 15:47:07 +0800</pubDate><description><![CDATA[]]></description><category></category></item><item><title><![CDATA[第四章 大数定律和中心极限定理]]></title><link>https://blog.youkuaiyun.com/LWHGMAN/article/details/97556877</link><guid>https://blog.youkuaiyun.com/LWHGMAN/article/details/97556877</guid><author>LWHGMAN</author><pubDate>Thu, 01 Aug 2019 15:46:55 +0800</pubDate><description><![CDATA[]]></description><category></category></item><item><title><![CDATA[第一章 随机事件与概率]]></title><link>https://blog.youkuaiyun.com/LWHGMAN/article/details/97259245</link><guid>https://blog.youkuaiyun.com/LWHGMAN/article/details/97259245</guid><author>LWHGMAN</author><pubDate>Thu, 01 Aug 2019 15:46:43 +0800</pubDate><description><![CDATA[]]></description><category></category></item><item><title><![CDATA[第五章 数理统计中的基本概念]]></title><link>https://blog.youkuaiyun.com/LWHGMAN/article/details/97629953</link><guid>https://blog.youkuaiyun.com/LWHGMAN/article/details/97629953</guid><author>LWHGMAN</author><pubDate>Thu, 01 Aug 2019 15:46:02 +0800</pubDate><description><![CDATA[抽样分布

样本按照一定的要求和方法，从总体中随机抽取出来所得到的，具有一定的概率分布。统计量Tn是样本的已知函数，它也具有概率分布。

统计量Tn的概率分布称为抽样分布，对于任意的自然数n，确定统计一下Tn的精确分布及其性质，是数学统计中的小样本问题。而在n趋近于无穷大的时候，确定统计量Tn的极限分布及其性质是数理统计中的大样本问题。.




...]]></description><category></category></item><item><title><![CDATA[第6章 参数估计]]></title><link>https://blog.youkuaiyun.com/LWHGMAN/article/details/97635145</link><guid>https://blog.youkuaiyun.com/LWHGMAN/article/details/97635145</guid><author>LWHGMAN</author><pubDate>Thu, 01 Aug 2019 15:45:39 +0800</pubDate><description><![CDATA[]]></description><category></category></item><item><title><![CDATA[《数学之美》读书笔记]]></title><link>https://blog.youkuaiyun.com/LWHGMAN/article/details/96829906</link><guid>https://blog.youkuaiyun.com/LWHGMAN/article/details/96829906</guid><author>LWHGMAN</author><pubDate>Tue, 23 Jul 2019 15:13:16 +0800</pubDate><description><![CDATA[看了吴军的《数学之美》，感触颇多。吴军先生能通过简单的故事和诙谐的语言，将晦涩难懂的数学原理解释清楚，让人再次感受到数学的博大精深。读了这本书之后，发现曾经只和成绩挂钩的数学原理还能这么玩，这么接地气。为此，摒弃应试的动机，下一步计划重学一遍概率论、线代、高数等数学，以提高自己。本文是个人读《数学之美》记录下阅读时的最直接的感受，希望后期能适时翻阅，思想上和知识层面上共同指导自己。

第二版前言
...]]></description><category></category></item><item><title><![CDATA[《第13讲 建图》]]></title><link>https://blog.youkuaiyun.com/LWHGMAN/article/details/89534608</link><guid>https://blog.youkuaiyun.com/LWHGMAN/article/details/89534608</guid><author>LWHGMAN</author><pubDate>Mon, 29 Apr 2019 16:25:39 +0800</pubDate><description><![CDATA[本文是《视觉SLAM十四讲》第13讲的个人读书笔记，为防止后期记忆遗忘写的。



我们之前的讨论， 基本集中于“稀疏路标地图”的部分，还没有探讨稠密地图。稀疏地图只建模感兴趣的部分，也就是前面说了很久的特征点（路标点）。而稠密地图是指，建模所有看到过的部分。对于同一个桌子，稀疏地图可能只建模了桌子 的四个角，而稠密地图则会建模整个桌面。虽然从定位(稀疏地图可以）角度看，只有四个角的地图也可以用于...]]></description><category></category></item></channel></rss>