<?xml version="1.0" encoding="utf-8" ?><rss version="2.0"><channel><title><![CDATA[Zoe_Su的博客]]></title><description><![CDATA[]]></description><link>https://blog.youkuaiyun.com/Zoe_Su</link><language>zh-cn</language><generator>https://blog.youkuaiyun.com/</generator><copyright><![CDATA[Copyright &copy; Zoe_Su]]></copyright><item><title><![CDATA[阿里云 cuda9.1+cudnn 7.1+pytorch 环境搭建]]></title><link>https://blog.youkuaiyun.com/Zoe_Su/article/details/90413404</link><guid>https://blog.youkuaiyun.com/Zoe_Su/article/details/90413404</guid><author>Zoe_Su</author><pubDate>Tue, 21 May 2019 19:24:03 +0800</pubDate><description><![CDATA[……
文章目录1.阿里云ECS 默认安装cuda 9.1版本2.  安装Anaconda：3. 安装cudnn：4. 安装pytorch5. 检查安装是否成功：
……
1.阿里云ECS 默认安装cuda 9.1版本

确定cuda版本：

首先使用nvidia -smi 查看显卡驱动运行状态
使用nvcc -V查看cuda-toolkit安装是否成功

若显示nvcc命令不存在：
使用wherei...]]></description><category></category></item><item><title><![CDATA[推荐-FM/FFM/Deep_FM]]></title><link>https://blog.youkuaiyun.com/Zoe_Su/article/details/88636675</link><guid>https://blog.youkuaiyun.com/Zoe_Su/article/details/88636675</guid><author>Zoe_Su</author><pubDate>Tue, 19 Mar 2019 16:43:01 +0800</pubDate><description><![CDATA[目录FMFM原理FM优点FFMFFM优缺点DeepFM参考文献
FM
FM常用于CTR估计，能够处理稀疏数据下的特征组合的问题。
FM原理
一般的线性模型不考虑特征之间的关系，公式定义如下：
 y=w0+∑i=1nxiwiy=w_{0}+\sum_{i=1}^{n}x_{i}w_{i}y=w0​+∑i=1n​xi​wi​ 		…(1) 
为了表达特征之间的相关性，利用多项式函数，定义如下：
y=w...]]></description><category></category></item><item><title><![CDATA[项目反应理论 EM估计]]></title><link>https://blog.youkuaiyun.com/Zoe_Su/article/details/84761812</link><guid>https://blog.youkuaiyun.com/Zoe_Su/article/details/84761812</guid><author>Zoe_Su</author><pubDate>Sun, 09 Dec 2018 14:31:22 +0800</pubDate><description><![CDATA[项目反应理论参数的EM估计
IRT（项目反应理论）广泛应应用于心理测量学，相比CTT（传统测量理论）的主要优势在于不依赖于样本，能够为被试者提供具有一致性的测量结果。
IRT的基本假设：

单维性，即能力是单维度的。
局部独立性， 即项目间局部独立。
项目反应函数假设，即被试者对项目对反应符合项目反应方程。

IRT 模型：
常见的IRT模型包括2PL模型和3PL模型，其中2PL模型表达式如下：p...]]></description><category></category></item><item><title><![CDATA[论文导读：Exercise-Enhanced Sequential Modeling for Student Performance Prediction]]></title><link>https://blog.youkuaiyun.com/Zoe_Su/article/details/84566409</link><guid>https://blog.youkuaiyun.com/Zoe_Su/article/details/84566409</guid><author>Zoe_Su</author><pubDate>Wed, 28 Nov 2018 11:00:34 +0800</pubDate><description><![CDATA[Exercise-Enhanced SequentialModeling for Student Performance Prediction
智能教育系统中，如何有效预测学生表现是非常重要的，也是进行个性化推荐，学习路径规划的基础，常用的预测方式依赖于专家将学习材料进行的知识成分的标注，如题目对应的知识点等，并没有考虑题面信息。而相同的知识点的题目难度，区分度或其他技能要求都是有所不同的，所以作...]]></description><category></category></item><item><title><![CDATA[使用pyenv + virtualenv 安装服务器环境]]></title><link>https://blog.youkuaiyun.com/Zoe_Su/article/details/84570963</link><guid>https://blog.youkuaiyun.com/Zoe_Su/article/details/84570963</guid><author>Zoe_Su</author><pubDate>Tue, 27 Nov 2018 18:08:01 +0800</pubDate><description><![CDATA[使用pyenv + virtualenv 安装服务器环境
常规开发工作记录～～
步骤：

下载pyenv ： git clone https://github.com/yyuu/pyenv.git ~/.pyenv
添加环境变量：

  echo 'export PYENV_ROOT=&quot;$HOME/.pyenv&quot;' &amp;gt;&amp;gt; ~/.bashrc
  echo 'export PATH=&quot;$...]]></description><category></category></item><item><title><![CDATA[深度知识追踪（Deep Knowledge Tracing）]]></title><link>https://blog.youkuaiyun.com/Zoe_Su/article/details/84481651</link><guid>https://blog.youkuaiyun.com/Zoe_Su/article/details/84481651</guid><author>Zoe_Su</author><pubDate>Mon, 26 Nov 2018 15:28:40 +0800</pubDate><description><![CDATA[Knowledge Tracing
知识追踪是基于学生行为序列进行建模，预测学生对知识的掌握程度。知识追踪是构建自适应教育系统的核心和关键。在自适应的教育系统中，无论是做精准推送，学生学习的路径规划或知识图谱的构建，第一步都是能够精准预测学生对知识的掌握程度。
知识追踪问题可以描述为： 给定一学生的观测序列x0,……,xtx _ { 0 } ,  \ldots \ldots , x _ { t }...]]></description><category></category></item><item><title><![CDATA[Python concurrency & parallelism]]></title><link>https://blog.youkuaiyun.com/Zoe_Su/article/details/78553001</link><guid>https://blog.youkuaiyun.com/Zoe_Su/article/details/78553001</guid><author>Zoe_Su</author><pubDate>Thu, 16 Nov 2017 16:49:48 +0800</pubDate><description><![CDATA[并发与并行并发 VS 并行： 
       首先并发不等于并行，盗用一张Erlang之父Joe Armstrong画的图，如下：          并发：不要求“同时”进行（看起来像多任务）
   并行：要求“同时”进行（真正的多任务）
Python解决之道Python用于解决并行和并发问题的方法包括 多进程、多线程、concurrent包、Gevent、Celery等。方法的选择基于任务（IO密]]></description><category></category></item><item><title><![CDATA[混合专家系统（MoE）]]></title><link>https://blog.youkuaiyun.com/Zoe_Su/article/details/78488143</link><guid>https://blog.youkuaiyun.com/Zoe_Su/article/details/78488143</guid><author>Zoe_Su</author><pubDate>Thu, 09 Nov 2017 12:10:40 +0800</pubDate><description><![CDATA[混合专家系统（Mixture of Experts）原理：混合专家系统（MoE）是一种神经网络，也属于一种combine的模型。适用于数据集中的数据产生方式不同。不同于一般的神经网络的是它根据数据进行分离训练多个模型，各个模型被称为专家，而门控模块用于选择使用哪个专家，模型的实际输出为各个模型的输出与门控模型的权重组合。各个专家模型可采用不同的函数（各种线性或非线性函数）。混合专家系统就是将多个模型]]></description><category></category></item><item><title><![CDATA[Label propagation]]></title><link>https://blog.youkuaiyun.com/Zoe_Su/article/details/78479710</link><guid>https://blog.youkuaiyun.com/Zoe_Su/article/details/78479710</guid><author>Zoe_Su</author><pubDate>Wed, 08 Nov 2017 15:51:04 +0800</pubDate><description><![CDATA[label propagation(标签传播)label propagation 原理label propagation是一种半监督学习算法，主要基于三种假设：
- 平滑假设： 相似的数据具有相同的label 
- 聚类假设： 处于同一聚类下的数据具有相同的label 
- 流形假设： 处于同一流行结构下的数据具有相同的label步骤： 1.构建相似矩阵  2. 标签传播 构建相似矩阵 
标签传播算]]></description><category></category></item><item><title><![CDATA[Graphviz Mac 安装配置]]></title><link>https://blog.youkuaiyun.com/Zoe_Su/article/details/52563062</link><guid>https://blog.youkuaiyun.com/Zoe_Su/article/details/52563062</guid><author>Zoe_Su</author><pubDate>Sat, 17 Sep 2016 14:27:29 +0800</pubDate><description><![CDATA[Graphviz Mac 安装配置@[Graphviz |Mac |Tolls]Graphviz是一个由AT&T实验室启动的开源的工具包，用于绘制DOT语言描述的图形，它也提供了其他软件使用的软件库。本文主要描述基于Mac安装配置Graphviz的步骤。［1］登陆并下载Xcode：https://developer.apple.com/downloads/ 
［2］安装Xcode 
［3］打开Ter]]></description><category></category></item><item><title><![CDATA[MathJax基本的使用方式]]></title><link>https://blog.youkuaiyun.com/Zoe_Su/article/details/52506219</link><guid>https://blog.youkuaiyun.com/Zoe_Su/article/details/52506219</guid><author>Zoe_Su</author><pubDate>Sun, 11 Sep 2016 20:36:42 +0800</pubDate><description><![CDATA[首先为了让Markdown能够解析LaTeX数学表达式，通常情况下，我们需要引入MathJax插件才可能工作。
"text/javascript""https://cdn.mathjax.org/mathjax/latest/MathJax.js?config=TeX-AMS_HTML">script>

插入公式


如果是在文本中插入公式，则用$...$。

如果公式自成段落，]]></description><category></category></item><item><title><![CDATA[线性回归]]></title><link>https://blog.youkuaiyun.com/Zoe_Su/article/details/52506026</link><guid>https://blog.youkuaiyun.com/Zoe_Su/article/details/52506026</guid><author>Zoe_Su</author><pubDate>Sun, 11 Sep 2016 20:01:33 +0800</pubDate><description><![CDATA[线性模型是最简单的模型，但是往往却也是比较有效的模型。线性模型形式简单，建模容易，常作为机器学习的首选模型，因为其蕴含机器学习的重要基本思想。建模：给定数据集为D={(x1,y1),(x2,y2),…,(xn,yn)}，其中xi={xi1,xi2,…,xim}, yi∈R，建立模型如下：yi=hi(θ)=ΘTxi+ϵiy^i=h_i(\theta)=\Theta^T x^i+\epsilon^i]]></description><category></category></item></channel></rss>