<?xml version="1.0" encoding="utf-8" ?><rss version="2.0"><channel><title><![CDATA[Richard_More的博客]]></title><description><![CDATA[不忘初心]]></description><link>https://blog.youkuaiyun.com/Richard_More</link><language>zh-cn</language><generator>https://blog.youkuaiyun.com/</generator><copyright><![CDATA[Copyright &copy; Richard_More]]></copyright><item><title><![CDATA[信息抽取学习笔记]]></title><link>https://blog.youkuaiyun.com/Richard_More/article/details/82016456</link><guid>https://blog.youkuaiyun.com/Richard_More/article/details/82016456</guid><author>Richard_More</author><pubDate>Fri, 24 Aug 2018 13:11:29 +0800</pubDate><description><![CDATA[第二篇 主要技术和代表性论文

2.1 信息抽取概况 
目前的信息抽取多是基于句子为单位进行分析。篇章性推理是NLP研究的一个难点，后面将会叙述在我实际工作中关于这一方面的经验总结。 
2.2 命名实体识别 
命名实体识别是信息抽取的基础，是第一步，也是必须的一步。命名实体识别主要识别句子中出现的实体名。传统的实体名包括Person，Location，Organization，Time。具体的实体...]]></description><category></category></item><item><title><![CDATA[中文自然语言工具包调查研究]]></title><link>https://blog.youkuaiyun.com/Richard_More/article/details/82016402</link><guid>https://blog.youkuaiyun.com/Richard_More/article/details/82016402</guid><author>Richard_More</author><pubDate>Fri, 24 Aug 2018 13:04:15 +0800</pubDate><description><![CDATA[              中文自然语言工具包调查研究


1.1 Stanford corenlp中文模块

中文支持任务：支持封闭式命名实体识别，语义依存分析，句法分析，不支持语义角色标注，开放信息提取。Java软件包。是目前使用较广的综合性自然语言处理包。

扩展性方面［二次开发］：提供了Java源代码可以做二次开发 
在线演示平台：http://corenlp.run/ 
官网主页：htt...]]></description><category></category></item><item><title><![CDATA[知识库构建相关技术前沿动态(健康管理领域）]]></title><link>https://blog.youkuaiyun.com/Richard_More/article/details/78062766</link><guid>https://blog.youkuaiyun.com/Richard_More/article/details/78062766</guid><author>Richard_More</author><pubDate>Fri, 22 Sep 2017 14:41:52 +0800</pubDate><description><![CDATA[知识库构建相关技术前沿动态
（健康管理领域）
 
目前构建知识库的技术可以分为两大类，一种利用机器学习，另外一种bootstrapping pattern。 若把知识库的理解分为实体之间的关系图谱，主要可以分为两个NLP任务：（1）实体名识别（NameEntity Recognition）（2）关系提取。（RelationExtraction）。这两个任务又和信息提取有很大的渊源（Infor]]></description><category></category></item><item><title><![CDATA[spark集群上如何配置深度学习elephas框架的操作流程（shell版）]]></title><link>https://blog.youkuaiyun.com/Richard_More/article/details/53420812</link><guid>https://blog.youkuaiyun.com/Richard_More/article/details/53420812</guid><author>Richard_More</author><pubDate>Thu, 01 Dec 2016 14:48:32 +0800</pubDate><description><![CDATA[这个博客是回答 elephas解析第一篇  中评论区中的问题，我就把自己在一个自己的集群上面，把搭建深度学习框架elephas，theano，keras，tensorflow的操作流程post在这里。我在安装之前的集群信息如下：


4台ubuntu15的机器，其中一台配置host为master，其他四台为slave02，slave03，slave04.在这个4台已经配置好hadoop集群，]]></description><category></category></item><item><title><![CDATA[验证码的现在与未来]]></title><link>https://blog.youkuaiyun.com/Richard_More/article/details/53364608</link><guid>https://blog.youkuaiyun.com/Richard_More/article/details/53364608</guid><author>Richard_More</author><pubDate>Sun, 27 Nov 2016 15:13:58 +0800</pubDate><description><![CDATA[验证码的现在与未来


2011年11月02日13:00爱范儿我要评论(0)

字号：T|T












什么是验证码

”验证码“（ CAPTCHA ）其实并不是各位网友总是在不同网站上看到的难以辨认的字母组合的代名词，而是“全自动区分计算机和人类的图灵测试”的俗称，顾名思义，它的作用是区分计算机和人类。

在 CAPTCHA 测试中，作为]]></description><category></category></item><item><title><![CDATA[记一次使用开源代码的微博爬虫的经历]]></title><link>https://blog.youkuaiyun.com/Richard_More/article/details/53353793</link><guid>https://blog.youkuaiyun.com/Richard_More/article/details/53353793</guid><author>Richard_More</author><pubDate>Sat, 26 Nov 2016 19:29:46 +0800</pubDate><description><![CDATA[记一次使用开源代码的微博爬虫的经历


开源可以让我们的生活更佳美好。之前一直打算把写一个的新浪微博爬虫，然后将数据存入数据库，从而以支持我后续的科研数据分析。
最初，我去看看了微博官方提供的开发者API，结果这个API受限太大，比如我用我的账号，生成的accesstoken只能爬取我自己微博的数据，这就让我直接放弃了这个途径。紧接着，我花了2天的时间把微博的API搞清楚，好了，万事具备，]]></description><category></category></item><item><title><![CDATA[mnist_mlp_spark_CC.py]]></title><link>https://blog.youkuaiyun.com/Richard_More/article/details/53326488</link><guid>https://blog.youkuaiyun.com/Richard_More/article/details/53326488</guid><author>Richard_More</author><pubDate>Thu, 24 Nov 2016 21:45:41 +0800</pubDate><description><![CDATA[from __future__ import absolute_import
from __future__ import print_function

from keras.datasets import mnist
from keras.models import Sequential
from keras.layers.core import Dense, Dropout, Activat]]></description><category></category></item><item><title><![CDATA[解析Spark开源框架elephas之二]]></title><link>https://blog.youkuaiyun.com/Richard_More/article/details/53311000</link><guid>https://blog.youkuaiyun.com/Richard_More/article/details/53311000</guid><author>Richard_More</author><pubDate>Wed, 23 Nov 2016 20:55:54 +0800</pubDate><description><![CDATA[run一个elephas例子


下面基于Spark，本地运行一个例子，这个代码可以在http://download.youkuaiyun.com/detail/richard_more/9691563 这里下载。

spark-submit --master local[3] mnist_mlp_spark_CC.py 

我的部分结果见下图：

16/11/23 20:28:05 INF]]></description><category></category></item><item><title><![CDATA[解析Spark开源框架elephas之一]]></title><link>https://blog.youkuaiyun.com/Richard_More/article/details/53235628</link><guid>https://blog.youkuaiyun.com/Richard_More/article/details/53235628</guid><author>Richard_More</author><pubDate>Sat, 19 Nov 2016 23:14:30 +0800</pubDate><description><![CDATA[写在前面的话


elephas是一个把python深度学习框架keras衔接到Spark集群的第三方python包。由于这个版本并不稳定，并且没有什么资料，我打算剖析其源代码。
分析代码要从其主程序开始，就是spark_model.py，其网址在 https://github.com/maxpumperla/elephas/blob/master/elephas/spark_model.]]></description><category></category></item><item><title><![CDATA[如何基于Spark做深度学习：从Mllib到keras，elephas]]></title><link>https://blog.youkuaiyun.com/Richard_More/article/details/53215142</link><guid>https://blog.youkuaiyun.com/Richard_More/article/details/53215142</guid><author>Richard_More</author><pubDate>Fri, 18 Nov 2016 12:58:24 +0800</pubDate><description><![CDATA[Spark ML model pipelines on Distributed Deep Neural NetsThis notebook describes how to build machine learning pipelines with Spark ML for distributed versions of Keras deep learning models. As data set]]></description><category></category></item><item><title><![CDATA[评估深度学习架构在Spark集群的应用：从theano，keras到elephas]]></title><link>https://blog.youkuaiyun.com/Richard_More/article/details/53215034</link><guid>https://blog.youkuaiyun.com/Richard_More/article/details/53215034</guid><author>Richard_More</author><pubDate>Fri, 18 Nov 2016 12:33:23 +0800</pubDate><description><![CDATA[最终目标
最终目标：为了提高机器学习特别是深度学习的计算速度。提供的速度有三个方法：让算法的变得更加聪明（数据结构）；让单个机器的计算能力增强（更好的CPU／GPU）；让计算并行化（多线程；Hadoop／Spark）。本文仅仅探索第三种方式：评估不同的深度学习框架（是否支持GPU，易于实现，速度快）以及其如何并行化于分布式的集群之上。
theano是一个python的包，用数组向量来定义和计算]]></description><category></category></item><item><title><![CDATA[另类数据Alternative Data行业调查]]></title><link>https://blog.youkuaiyun.com/Richard_More/article/details/53166827</link><guid>https://blog.youkuaiyun.com/Richard_More/article/details/53166827</guid><author>Richard_More</author><pubDate>Tue, 15 Nov 2016 00:08:52 +0800</pubDate><description><![CDATA[Alternative Data行业调查

1. 另类数据的定义:

“Alternative data in finance refers to any data that is not traditionally considered financial data but nonetheless offers investors market insights. It is often]]></description><category></category></item><item><title><![CDATA[人工智能在对冲基金的崛起]]></title><link>https://blog.youkuaiyun.com/Richard_More/article/details/53101151</link><guid>https://blog.youkuaiyun.com/Richard_More/article/details/53101151</guid><author>Richard_More</author><pubDate>Wed, 09 Nov 2016 16:15:40 +0800</pubDate><description><![CDATA[作者 本·格策尔 全文翻译自《连线》“The Rise of the Artificially Intelligent Hedge Fund”一文

今年1月下旬，本·格策尔（Ben Goertzel）和他的公司Aidyia启动了一只对冲基金，使用人工智能来进行所有的股票交易，无需任何人工干预。“哪怕我们都死了，”人工智能资深专家、Aidyia首席科学家格策尔说，“它也会继续交易。” 此言确然]]></description><category></category></item><item><title><![CDATA[C语言中的.h文件的作用]]></title><link>https://blog.youkuaiyun.com/Richard_More/article/details/53088845</link><guid>https://blog.youkuaiyun.com/Richard_More/article/details/53088845</guid><author>Richard_More</author><pubDate>Tue, 08 Nov 2016 21:43:42 +0800</pubDate><description><![CDATA[C语言中的.h文件和我认识由来已久，其使用方法虽不十分复杂，但我却是经过了几个月的“不懂”时期，几年的“一知半解”时期才逐渐认识清楚他的本来面目。揪其原因，我的 驽钝和好学而不求甚解固然是原因之一，但另外还有其他原因。原因一：对于较小的项目，其作用不易被充分开发，换句话说就是即使不知道他的详细使用方法，项
 目照样进行，程序在计算机上照样跑。原因二：现在的各种C语言书籍都是只对C语言的语法进行详]]></description><category></category></item><item><title><![CDATA[金融科技之量化文本研究框架]]></title><link>https://blog.youkuaiyun.com/Richard_More/article/details/52874894</link><guid>https://blog.youkuaiyun.com/Richard_More/article/details/52874894</guid><author>Richard_More</author><pubDate>Thu, 20 Oct 2016 17:19:06 +0800</pubDate><description><![CDATA[金融科技之量化文本系列
文本系列主要从新闻，投资者讨论，研报三个文本源开展量化投资研究。新闻是一般是事实性描述，投资者讨论是情绪性文本，而研报更多的是逻辑性文本。


1. 探索新闻与股价
数据来源：雪球网上的4000条；财经类网站包括新浪财经，凤凰财经等。
问题的关键是爬虫任务的持续性，每天都要定时爬取事先指定的网站清单。


1.1.建立个股新闻与未来的股价波动之间的对应关系]]></description><category></category></item><item><title><![CDATA[Dropout with Theano]]></title><link>https://blog.youkuaiyun.com/Richard_More/article/details/52816517</link><guid>https://blog.youkuaiyun.com/Richard_More/article/details/52816517</guid><author>Richard_More</author><pubDate>Fri, 14 Oct 2016 15:49:09 +0800</pubDate><description><![CDATA[Dropout with Theano
Oct 12, 2016
16 minute read

Almost everyone working with Deep Learning would have heard a smattering aboutDropout. Albiet a simple concept(introduced a
 couple of years ago),]]></description><category></category></item><item><title><![CDATA[LR深入理解]]></title><link>https://blog.youkuaiyun.com/Richard_More/article/details/52764559</link><guid>https://blog.youkuaiyun.com/Richard_More/article/details/52764559</guid><author>Richard_More</author><pubDate>Sun, 09 Oct 2016 11:02:29 +0800</pubDate><description><![CDATA[本文转自http://blog.youkuaiyun.com/cyh_24/article/details/50359055

写这篇博客的动力是源于看到了下面这篇微博：



我在看到这篇微博的时候大为触动，因为，如果是rickjin来面试我，我想我会死的很惨，因为他问的问题我基本都回答不上来。所以，痛定思痛，我决定今后对一些算法的理解不能只是停留在表面，而应该至少往前推一步，尝试看得更远一些。]]></description><category></category></item><item><title><![CDATA[PRML读书笔记－我对机器学习的认识]]></title><link>https://blog.youkuaiyun.com/Richard_More/article/details/52755973</link><guid>https://blog.youkuaiyun.com/Richard_More/article/details/52755973</guid><author>Richard_More</author><pubDate>Sat, 08 Oct 2016 19:42:27 +0800</pubDate><description><![CDATA[最近有时间把Christopher M Bishop的《Pattern Recognition and Machine Learning》（PRML）温习了一遍，这本书可以说是机器学习的经典学习之作。以前在上机器学习这么课的时候，很多细节还没联系到，结果在读论文中就显得捉襟见肘。本文打算理清楚这本书的脉络，也顺便为学习机器学习的人打下一个学习路线图。


1. 排除两块内容
现排除第五章的]]></description><category></category></item><item><title><![CDATA[人人都能用Python写出LSTM-RNN的代码！]]></title><link>https://blog.youkuaiyun.com/Richard_More/article/details/52723749</link><guid>https://blog.youkuaiyun.com/Richard_More/article/details/52723749</guid><author>Richard_More</author><pubDate>Sun, 02 Oct 2016 14:45:20 +0800</pubDate><description><![CDATA[1. 概要

我的最佳学习法就是通过玩具代码，一边调试一边学习理论。这篇博客通过一个非常简单的python玩具代码来讲解递归神经网络。

那么依旧是废话少说，放‘码’过来！
























Python


123456789101112131415161718192021222324252627282]]></description><category></category></item><item><title><![CDATA[Anyone Can Learn To Code an LSTM-RNN in Python]]></title><link>https://blog.youkuaiyun.com/Richard_More/article/details/52723675</link><guid>https://blog.youkuaiyun.com/Richard_More/article/details/52723675</guid><author>Richard_More</author><pubDate>Sun, 02 Oct 2016 14:22:28 +0800</pubDate><description><![CDATA[Anyone Can Learn To Code an LSTM-RNN in Python (Part 1:


Summary: I learn best with toy code that I can play with. This tutorial teaches Recurrent Neural Networks via a very simple toy example, a ]]></description><category></category></item></channel></rss>