7、计算机语言模式与语法设计解析

计算机语言模式与语法设计解析

1. 计算机语言的抽象模式

自然语言中的词序和依赖约束衍生出四种抽象的计算机语言模式:
- 序列(Sequence) :元素的有序排列,如数组初始化器中的值。
- 选择(Choice) :在多个可选短语之间进行选择,像编程语言中的不同语句类型。
- 令牌依赖(Token dependence) :一个令牌的出现要求在短语的其他地方出现其对应令牌,例如匹配的左右括号。
- 嵌套短语(Nested phrase) :具有自相似语言结构的短语,如嵌套的算术表达式或编程语言中的嵌套语句块。

为了实现这些模式,我们主要使用由替代项、令牌引用和规则引用组成的语法规则(Backus - Naur - Format [BNF])。为了方便,我们还会将这些元素分组为子规则。子规则是用括号括起来的内联规则,我们可以将子规则标记为可选(?)、零个或多个(*)或一个或多个(+)循环,以多次识别包含的语法片段(Extended Backus - Naur - Format [EBNF])。

2. 从语言样本推导语法

编写语法类似于编写软件,但我们处理的是规则而非函数或过程。在深入研究规则内部之前,了解语法的整体结构以及如何形成初始语法框架是很有必要的。

语法由命名语法的头部和一组可以相互调用的规则组成,例如:

grammar MyG;
rule1 : «st
根据原作 https://pan.quark.cn/s/459657bcfd45 的源码改编 Classic-ML-Methods-Algo 引言 建立这个项目,是为了梳理和总结传统机器学习(Machine Learning)方法(methods)或者算法(algo),和各位同仁相互学习交流. 现在的深度学习本质上来自于传统的神经网络模型,很大程度上是传统机器学习的延续,同时也在不少时候需要结合传统方法来实现. 任何机器学习方法基本的流程结构都是通用的;使用的评价方法也基本通用;使用的一些数学知识也是通用的. 本文在梳理传统机器学习方法算法的同时也会顺便补充这些流程,数学上的知识以供参考. 机器学习 机器学习是人工智能(Artificial Intelligence)的一个分支,也是实现人工智能最重要的手段.区别于传统的基于规则(rule-based)的算法,机器学习可以从数据中获取知识,从而实现规定的任务[Ian Goodfellow and Yoshua Bengio and Aaron Courville的Deep Learning].这些知识可以分为四种: 总结(summarization) 预测(prediction) 估计(estimation) 假想验证(hypothesis testing) 机器学习主要关心的是预测[Varian在Big Data : New Tricks for Econometrics],预测的可以是连续性的输出变量,分类,聚类或者物品之间的有趣关联. 机器学习分类 根据数据配置(setting,是否有标签,可以是连续的也可以是离散的)和任务目标,我们可以将机器学习方法分为四种: 无监督(unsupervised) 训练数据没有给定...
评论
成就一亿技术人!
拼手气红包6.0元
还能输入1000个字符  | 博主筛选后可见
 
红包 添加红包
表情包 插入表情
 条评论被折叠 查看
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值