<?xml version="1.0" encoding="utf-8" ?><rss version="2.0"><channel><title><![CDATA[asphysiaa的博客]]></title><description><![CDATA[]]></description><link>https://blog.youkuaiyun.com/asphysiaa</link><language>zh-cn</language><generator>https://blog.youkuaiyun.com/</generator><copyright><![CDATA[Copyright &copy; asphysiaa]]></copyright><item><title><![CDATA[Datawhale AI 夏令营 学习笔记——NLP竞赛——Task3]]></title><link>https://blog.youkuaiyun.com/asphysiaa/article/details/140536104</link><guid>https://blog.youkuaiyun.com/asphysiaa/article/details/140536104</guid><author>asphysiaa</author><pubDate>Fri, 19 Jul 2024 00:12:12 +0800</pubDate><description><![CDATA[Transformer的主要组件包括。其核心是利用，使每个位置的表示不仅依赖于当前位置，还能够直接获取其他位置的表示。自从提出以来，Transformer模型在机器翻译、文本生成等自然语言处理任务中均取得了突破性进展，成为NLP领域新的主流模型。从宏观角度来看，Transformer的编码器是由多个相同的层叠加而成的，每个层都有两个子层（子层表示为sublayer）。第⼀个子层是；第二个子层是。对于输入文本序列，先通过一个输入嵌入层（Input Embedding）。通常直接对每个单词创建一个向量表示。]]></description><category></category></item><item><title><![CDATA[Datawhale AI 夏令营 学习笔记——机器学习竞赛——Task3]]></title><link>https://blog.youkuaiyun.com/asphysiaa/article/details/140535541</link><guid>https://blog.youkuaiyun.com/asphysiaa/article/details/140535541</guid><author>asphysiaa</author><pubDate>Thu, 18 Jul 2024 23:27:45 +0800</pubDate><description><![CDATA[时间序列预测是一个不断发展的领域，随着技术的进步，我们可以期待更多的优化方法和模型的出现。深度学习模型，特别是LSTM和其变体，已经在许多时间序列预测任务中显示出了优越的性能。更复杂的模型结构：如引入注意力机制的LSTM模型，以更好地捕捉时间序列中的长期依赖关系。多模态数据融合：结合时间序列数据和其他类型的数据，如文本或图像，以提供更全面的分析。模型解释性：提高模型的可解释性，以便更好地理解预测结果。自动化特征工程：开发自动化的特征工程工具，以减少手动特征提取的工作量。实时预测。]]></description><category></category></item><item><title><![CDATA[Datawhale AI 夏令营 学习笔记——NLP竞赛——Task2]]></title><link>https://blog.youkuaiyun.com/asphysiaa/article/details/140439680</link><guid>https://blog.youkuaiyun.com/asphysiaa/article/details/140439680</guid><author>asphysiaa</author><pubDate>Mon, 15 Jul 2024 16:53:11 +0800</pubDate><description><![CDATA[例如，在电视系统上为了便于视频的传播，会使用各种编码器将视频编码成数字信号，在客户端，相应的解码器组件会把收到的数字信号解码为视频。在机器翻译的发展进程中，译文质量评价有着非常重要的作用。（构成单词的基本组成部分，一个词素可以是一个完整的单词，也可以是单词的一部分，但每一个词素都至少携带一部分语义或语法信息），这是NLP中最基本的步骤之一。：使用预训练的词向量或自己训练词向量，将词汇表中的词映射到高维空间中的向量，以捕捉语义信息（当前大模型领域训练的 embedding 模型就是用来完成此任务的）。]]></description><category></category></item><item><title><![CDATA[Datawhale AI 夏令营 学习笔记——机器学习竞赛——Task2]]></title><link>https://blog.youkuaiyun.com/asphysiaa/article/details/140412733</link><guid>https://blog.youkuaiyun.com/asphysiaa/article/details/140412733</guid><author>asphysiaa</author><pubDate>Sun, 14 Jul 2024 20:21:28 +0800</pubDate><description><![CDATA[其中id为房屋id，dt为日标识，训练数据dt最小为11，不同id对应序列长度不同；type为房屋类型，通常而言不同类型的房屋整体消耗存在比较大的差异；target为实际电力消耗，也是我们的本次比赛的预测目标。]]></description><category></category></item><item><title><![CDATA[Datawhale AI 夏令营 学习笔记——NLP竞赛——Task1]]></title><link>https://blog.youkuaiyun.com/asphysiaa/article/details/140405395</link><guid>https://blog.youkuaiyun.com/asphysiaa/article/details/140405395</guid><author>asphysiaa</author><pubDate>Sat, 13 Jul 2024 23:08:43 +0800</pubDate><description><![CDATA[BLEU，全称为（双语评估替换），是一种对生成语句进行评估的指标。在机器翻译领域，BLEU（Bilingual Evaluation Understudy）是一种常用的自动评价指标，用于衡量计算机生成的翻译与一组参考译文之间的相似度。这个指标特别关注n-grams（连续的n个词）的精确匹配，可以被认为是对翻译准确性和流利度的一种统计估计。计算BLEU分数时，首先会统计生成文本中n-grams的频率，然后将这些频率与参考文本中的n-grams进行比较。]]></description><category></category></item><item><title><![CDATA[Datawhale AI 夏令营 学习笔记——机器学习竞赛——Task1]]></title><link>https://blog.youkuaiyun.com/asphysiaa/article/details/140404722</link><guid>https://blog.youkuaiyun.com/asphysiaa/article/details/140404722</guid><author>asphysiaa</author><pubDate>Sat, 13 Jul 2024 19:49:04 +0800</pubDate><description><![CDATA[传统模型适合数据量较小、模式简单的问题；机器学习模型适合中等复杂度的问题，可以引入额外变量；深度学习模型适合数据量大、模式复杂的任务。]]></description><category></category></item></channel></rss>