<?xml version="1.0" encoding="utf-8" ?><rss version="2.0"><channel><title><![CDATA[Xbusiwang的博客]]></title><description><![CDATA[]]></description><link>https://blog.youkuaiyun.com/Xbusiwang</link><language>zh-cn</language><generator>https://blog.youkuaiyun.com/</generator><copyright><![CDATA[Copyright &copy; Xbusiwang]]></copyright><item><title><![CDATA[机器学习算法之支持向量机（SVM）]]></title><link>https://blog.youkuaiyun.com/Xbusiwang/article/details/136085693</link><guid>https://blog.youkuaiyun.com/Xbusiwang/article/details/136085693</guid><author>Xbusiwang</author><pubDate>Fri, 09 Feb 2024 11:46:43 +0800</pubDate><description><![CDATA[SVM支持向量机]]></description><category></category></item><item><title><![CDATA[BeamSearch计算过程和代码实现]]></title><link>https://blog.youkuaiyun.com/Xbusiwang/article/details/136061718</link><guid>https://blog.youkuaiyun.com/Xbusiwang/article/details/136061718</guid><author>Xbusiwang</author><pubDate>Tue, 06 Feb 2024 20:09:21 +0800</pubDate><description><![CDATA[beamsearch解码算法]]></description><category></category></item><item><title><![CDATA[损失函数汇总及手撕代码实现]]></title><link>https://blog.youkuaiyun.com/Xbusiwang/article/details/136032447</link><guid>https://blog.youkuaiyun.com/Xbusiwang/article/details/136032447</guid><author>Xbusiwang</author><pubDate>Sun, 04 Feb 2024 21:22:23 +0800</pubDate><description><![CDATA[汇总损失函数和代码实现]]></description><category></category></item><item><title><![CDATA[词共现矩阵表示词向量和点互信息]]></title><link>https://blog.youkuaiyun.com/Xbusiwang/article/details/135983758</link><guid>https://blog.youkuaiyun.com/Xbusiwang/article/details/135983758</guid><author>Xbusiwang</author><pubDate>Sat, 03 Feb 2024 06:00:00 +0800</pubDate><description><![CDATA[共现信息词向量]]></description><category></category></item><item><title><![CDATA[浅谈生成式和判别式模型的区别和联系]]></title><link>https://blog.youkuaiyun.com/Xbusiwang/article/details/135981548</link><guid>https://blog.youkuaiyun.com/Xbusiwang/article/details/135981548</guid><author>Xbusiwang</author><pubDate>Fri, 02 Feb 2024 18:15:00 +0800</pubDate><description><![CDATA[生成式和判别式模型]]></description><category></category></item><item><title><![CDATA[大白话介绍循环神经网络]]></title><link>https://blog.youkuaiyun.com/Xbusiwang/article/details/135994124</link><guid>https://blog.youkuaiyun.com/Xbusiwang/article/details/135994124</guid><author>Xbusiwang</author><pubDate>Fri, 02 Feb 2024 15:08:12 +0800</pubDate><description><![CDATA[RNN循环神经网络]]></description><category></category></item><item><title><![CDATA[对话系统介绍和基础神经网络模型(三)]]></title><link>https://blog.youkuaiyun.com/Xbusiwang/article/details/135981149</link><guid>https://blog.youkuaiyun.com/Xbusiwang/article/details/135981149</guid><author>Xbusiwang</author><pubDate>Thu, 01 Feb 2024 19:53:36 +0800</pubDate><description><![CDATA[对话系统]]></description><category></category></item><item><title><![CDATA[对话系统介绍和基础神经网络模型(二)]]></title><link>https://blog.youkuaiyun.com/Xbusiwang/article/details/135960119</link><guid>https://blog.youkuaiyun.com/Xbusiwang/article/details/135960119</guid><author>Xbusiwang</author><pubDate>Wed, 31 Jan 2024 18:59:10 +0800</pubDate><description><![CDATA[对话系统]]></description><category></category></item><item><title><![CDATA[对话系统介绍和基础神经网络模型]]></title><link>https://blog.youkuaiyun.com/Xbusiwang/article/details/135900163</link><guid>https://blog.youkuaiyun.com/Xbusiwang/article/details/135900163</guid><author>Xbusiwang</author><pubDate>Sun, 28 Jan 2024 20:57:32 +0800</pubDate><description><![CDATA[对话系统]]></description><category></category></item><item><title><![CDATA[通俗的讲解DFS算法（深度优先搜索）附代码示例]]></title><link>https://blog.youkuaiyun.com/Xbusiwang/article/details/135893998</link><guid>https://blog.youkuaiyun.com/Xbusiwang/article/details/135893998</guid><author>Xbusiwang</author><pubDate>Sun, 28 Jan 2024 12:40:26 +0800</pubDate><description><![CDATA[深度优先搜索（Depth-First Search，简称DFS）是一种用于图形和树结构的遍历算法。该算法从起始节点开始，沿着一条路径尽可能深入地探索，直到无法继续或达到目标节点为止。如果遇到无法继续前进的节点，算法会回溯到上一个节点，然后探索其他路径。假设我们有一个迷宫，目标是从起始点找到迷宫的出口。我们可以使用DFS来解决这个问题。DFS的过程可以用递归或栈来实现。]]></description><category></category></item><item><title><![CDATA[通俗的讲解BFS算法（广度优先搜索）附代码示例]]></title><link>https://blog.youkuaiyun.com/Xbusiwang/article/details/135873496</link><guid>https://blog.youkuaiyun.com/Xbusiwang/article/details/135873496</guid><author>Xbusiwang</author><pubDate>Fri, 26 Jan 2024 19:51:45 +0800</pubDate><description><![CDATA[BFS算法]]></description><category></category></item><item><title><![CDATA[机器学习算法之EM算法]]></title><link>https://blog.youkuaiyun.com/Xbusiwang/article/details/135871148</link><guid>https://blog.youkuaiyun.com/Xbusiwang/article/details/135871148</guid><author>Xbusiwang</author><pubDate>Fri, 26 Jan 2024 17:25:22 +0800</pubDate><description><![CDATA[以上操作我们称作E步，即根据初始化θ_0，我们得到Q(z)分布，然后求每组实验所对应的期望值（男女身高例子过程中即为，男生贡献该身高的概率和女生贡献该身高的概率）Q（z）是关于初始化θ_0的概率分布。因此我们实际上找到了优化目标的一个下界，那么我们不妨就逐渐让下界变大，以逐渐逼近最大值，当不等号变成等号的时候，也就说明我们的调整已经等价于优化目标函数的最大值了，因此等号成立的条件是。注：EM算法可以保证收敛到一个稳定的点，但无法保证是全局最优解，如果优化目标是凹的，则存在。]]></description><category></category></item><item><title><![CDATA[浅谈相对位置编码和绝对位置编码]]></title><link>https://blog.youkuaiyun.com/Xbusiwang/article/details/135849397</link><guid>https://blog.youkuaiyun.com/Xbusiwang/article/details/135849397</guid><author>Xbusiwang</author><pubDate>Thu, 25 Jan 2024 21:30:00 +0800</pubDate><description><![CDATA[相对位置编码：没有完整建模整个序列的位置信息，而是在算当前位置的Attention的时候，考虑了当前位置和被Attention位置之间的相对距离（这一操作可以体现在计算Attention过程中，在计算中引入一个相对位置向量进行学习，下图展示：）；相对位置编码是一种根据位置之间的相对关系来编码序列的方法。（3）标题对于ij的相对位置表示为j与i的相对距离，其中clip（j-i,k）用来对j-i进行截断处理，截断范围为（-k,k）其中k表示相对位置的范围区间，当j-i小于-k则令成-k，大于k则令成k;]]></description><category></category></item><item><title><![CDATA[机器学习算法之逻辑回归与最大熵]]></title><link>https://blog.youkuaiyun.com/Xbusiwang/article/details/135848215</link><guid>https://blog.youkuaiyun.com/Xbusiwang/article/details/135848215</guid><author>Xbusiwang</author><pubDate>Thu, 25 Jan 2024 17:07:54 +0800</pubDate><description><![CDATA[读者后续要做的可能就是一波强行记忆了，有点狗血~接下来我们就聊聊这一块的盲区，强行解释一波，以自洽的方式初步了解，不至于让读者对某个点钻牛角尖，我个人认为有时候，在学习的过程中不是我们想要钻牛角尖，而是有些资料确实没讲明白！根据上面的推导过程其实并不难理解，我们直接关注6.22，整个就是我们最终求得的最大熵判别模型，只不过只是架起的框架，至于特征函数f的权重向量w，需要进一步的确定【直接把计算的P（y|x）回代公式，对每个w在求偏导数就ok】，我们知道一个判别模型的特征函数集合，可能有很多；]]></description><category></category></item><item><title><![CDATA[机器学习算法之决策树]]></title><link>https://blog.youkuaiyun.com/Xbusiwang/article/details/135774348</link><guid>https://blog.youkuaiyun.com/Xbusiwang/article/details/135774348</guid><author>Xbusiwang</author><pubDate>Tue, 23 Jan 2024 16:32:35 +0800</pubDate><description><![CDATA[机器学习决策树算法]]></description><category></category></item><item><title><![CDATA[机器学习算法之朴素贝叶斯]]></title><link>https://blog.youkuaiyun.com/Xbusiwang/article/details/135430130</link><guid>https://blog.youkuaiyun.com/Xbusiwang/article/details/135430130</guid><author>Xbusiwang</author><pubDate>Sat, 06 Jan 2024 18:42:08 +0800</pubDate><description><![CDATA[机器学习贝叶斯算法]]></description><category></category></item><item><title><![CDATA[机器学习算法之感知机算法]]></title><link>https://blog.youkuaiyun.com/Xbusiwang/article/details/134986419</link><guid>https://blog.youkuaiyun.com/Xbusiwang/article/details/134986419</guid><author>Xbusiwang</author><pubDate>Thu, 14 Dec 2023 08:58:14 +0800</pubDate><description><![CDATA[感知机算法]]></description><category></category></item></channel></rss>