<?xml version="1.0" encoding="utf-8" ?><rss version="2.0"><channel><title><![CDATA[日新为道的专栏]]></title><description><![CDATA[每天进步一点点，有一天你会发现牛人不过如此]]></description><link>https://blog.youkuaiyun.com/cai0538</link><language>zh-cn</language><generator>https://blog.youkuaiyun.com/</generator><copyright><![CDATA[Copyright &copy; cai0538]]></copyright><item><title><![CDATA[数学之美 系列十三 信息指纹及其应用]]></title><link>https://blog.youkuaiyun.com/cai0538/article/details/7447305</link><guid>https://blog.youkuaiyun.com/cai0538/article/details/7447305</guid><author>cai0538</author><pubDate>Tue, 10 Apr 2012 21:55:40 +0800</pubDate><description><![CDATA[2006年8月3日 上午 11:17:00

发表者：吴军，Google 研究员 

任何一段信息文字，都可以对应一个不太长的随机数，作为区别它和其它信息的指纹（Fingerprint)。只要算法设计的好，任何两段信息的指纹都很难重复，就如同人类的指纹一样。信息指纹在加密、信息压缩和处理中有着广泛的应用。

我们在图论和网络爬虫一文中提到，为了防止重复下载同一个网页，我们需要在哈希表中]]></description><category></category></item><item><title><![CDATA[数学之美系列二十一 － 布隆过滤器（Bloom Filter）]]></title><link>https://blog.youkuaiyun.com/cai0538/article/details/7447277</link><guid>https://blog.youkuaiyun.com/cai0538/article/details/7447277</guid><author>cai0538</author><pubDate>Tue, 10 Apr 2012 21:49:30 +0800</pubDate><description><![CDATA[2007年7月3日 上午 09:35:00

发表者：Google（谷歌）研究员 吴军 

在日常生活中，包括在设计计算机软件时，我们经常要判断一个元素是否在一个集合中。比如在字处理软件中，需要检查一个英语单词是否拼写正确（也就是要判断它是否在已知的字典中）；在 FBI，一个嫌疑人的名字是否已经在嫌疑名单上；在网络爬虫里，一个网址是否被访问过等等。最直接的方法就是将集合中全部的元素存在计算]]></description><category></category></item><item><title><![CDATA[怎样写一个拼写检查器]]></title><link>https://blog.youkuaiyun.com/cai0538/article/details/7438975</link><guid>https://blog.youkuaiyun.com/cai0538/article/details/7438975</guid><author>cai0538</author><pubDate>Sun, 08 Apr 2012 22:29:54 +0800</pubDate><description><![CDATA[from:http://blog.youxu.info/spell-correct.html
怎样写一个拼写检查器 

Peter Norvig

翻译: Eric You XU


上个星期, 我的两个朋友 Dean 和 Bill 分别告诉我说他们对 Google 的快速高质量的拼写检查工具感到惊奇. 比如说在搜索的时候键入 [speling], 在不到 0.1 秒的时间内, G]]></description><category></category></item><item><title><![CDATA[python学习--max和reduce函数]]></title><link>https://blog.youkuaiyun.com/cai0538/article/details/7438812</link><guid>https://blog.youkuaiyun.com/cai0538/article/details/7438812</guid><author>cai0538</author><pubDate>Sun, 08 Apr 2012 21:33:59 +0800</pubDate><description><![CDATA[问题： 我有这样的一个列表：





1



['a.b.c.d11u.e.f.g', 'e.f88.g', 'caa3.z.brr', 'z.48.ff.ee']







需要找节点最多的一个（节点间由.分割）

看似简单的工作，要用 Pythonic 的方法来做，还是要对 Python 的内置函数有一定程度的熟悉，比如这里可以用最熟悉不过的max，]]></description><category></category></item><item><title><![CDATA[python学习--使用 lambda 函数]]></title><link>https://blog.youkuaiyun.com/cai0538/article/details/7438424</link><guid>https://blog.youkuaiyun.com/cai0538/article/details/7438424</guid><author>cai0538</author><pubDate>Sun, 08 Apr 2012 19:16:13 +0800</pubDate><description><![CDATA[Python 支持一种有趣的语法，它允许你快速定义单行的最小函数。这些叫做 lambda 的函数，是从 Lisp 借用来的，可以用在任何需要函数的地方。



例 4.20. lambda 函数介绍
>>> def f(x):
...     return x*2
...     
>>> f(3)
6
>>> g = lambda x: x*2  
>>> g(3)
6
>>> (la]]></description><category></category></item><item><title><![CDATA[数学之美 十四 谈谈数学模型的重要性]]></title><link>https://blog.youkuaiyun.com/cai0538/article/details/7435737</link><guid>https://blog.youkuaiyun.com/cai0538/article/details/7435737</guid><author>cai0538</author><pubDate>Sat, 07 Apr 2012 18:15:31 +0800</pubDate><description><![CDATA[本文系转载。

2006年8月9日 上午 09:12:00

发表者：吴军，Google 研究员 

[注：一直关注数学之美系列的读者可能已经发现，我们对任何问题总是在找相应的准确的数学模型。为了说明模型的重要性，今年七月份我在 Google 中国内部讲课时用了整整一堂课来讲这个问题，下面的内容是我讲座的摘要。］

在包括哥白尼、伽利略和牛顿在内的所有天文学家中，我最佩服的是地心说]]></description><category></category></item><item><title><![CDATA[数学之美 系列十八 － 矩阵运算和文本处理中的分类问题]]></title><link>https://blog.youkuaiyun.com/cai0538/article/details/7435718</link><guid>https://blog.youkuaiyun.com/cai0538/article/details/7435718</guid><author>cai0538</author><pubDate>Sat, 07 Apr 2012 18:05:09 +0800</pubDate><description><![CDATA[2007年1月1日 下午 03:10:00

发表者：Google 研究员，吴军 

我在大学学习线性代数时，实在想不出它除了告诉我们如何解线性方程外，还能有什么别的用途。关于矩阵的许多概念，比如特征值等等，更是脱离日常生活。后来在数值分析中又学了很多矩阵的近似算法，还是看不到可以应用的地方。当时选这些课，完全是为了混学分的学位。我想，很多同学都多多少少有过类似的经历。直到后来长期做自然语]]></description><category></category></item><item><title><![CDATA[数学之美 系列十五 繁与简 自然语言处理的几位精英]]></title><link>https://blog.youkuaiyun.com/cai0538/article/details/7435642</link><guid>https://blog.youkuaiyun.com/cai0538/article/details/7435642</guid><author>cai0538</author><pubDate>Sat, 07 Apr 2012 17:31:32 +0800</pubDate><description><![CDATA[2006年8月23日 下午 11:22:00

发表者：吴军，Google 研究员 

我在数学之美系列中一直强调的一个好方法就是简单。但是，事实上，自然语言处理中也有一些特例，比如有些学者将一个问题研究到极致，执著追求完善甚至可以说完美的程度。他们的工作对同行有很大的参考价值，因此我们在科研中很需要这样的学者。在自然语言处理方面新一代的顶级人物麦克尔 · 柯林斯 (Michael
 C]]></description><category></category></item><item><title><![CDATA[数学之美 系列十一 - Google 阿卡 47 的制造者阿米特.辛格博士]]></title><link>https://blog.youkuaiyun.com/cai0538/article/details/7435614</link><guid>https://blog.youkuaiyun.com/cai0538/article/details/7435614</guid><author>cai0538</author><pubDate>Sat, 07 Apr 2012 17:18:55 +0800</pubDate><description><![CDATA[2006年7月10日 上午 09:52:00

发表者：Google 研究员，吴军 

枪迷或者看过尼古拉斯.凯奇（Nicolas Cage)主演的电影“战争之王”（Lord of
War)的人也许还记得影片开头的一段话：（在所有轻武器中，）最有名的是阿卡 47( AK47)冲锋枪(也就是中国的五六式冲锋枪的原型），因为它从不卡壳、从不损坏、可在任何环境下使用、可靠性好、杀伤力大并且操作]]></description><category></category></item><item><title><![CDATA[数学之美 系列七 -- 信息论在信息处理中的应用]]></title><link>https://blog.youkuaiyun.com/cai0538/article/details/7435605</link><guid>https://blog.youkuaiyun.com/cai0538/article/details/7435605</guid><author>cai0538</author><pubDate>Sat, 07 Apr 2012 17:16:45 +0800</pubDate><description><![CDATA[2006年5月25日 上午 07:56:00

发表者：吴军, Google 研究员 

我们已经介绍了信息熵，它是信息论的基础，我们这次谈谈信息论在自然语言处理中的应用。

先看看信息熵和语言模型的关系。我们在系列一中谈到语言模型时，没有讲如何定量地衡量一个语言模型的好坏，当然，读者会很自然地想到，既然语言模型能减少语音识别和机器翻译的错误，那么就拿一个语音识别系统或者机器翻译软件来]]></description><category></category></item><item><title><![CDATA[数学之美 系列十 有限状态机和地址识别]]></title><link>https://blog.youkuaiyun.com/cai0538/article/details/7435599</link><guid>https://blog.youkuaiyun.com/cai0538/article/details/7435599</guid><author>cai0538</author><pubDate>Sat, 07 Apr 2012 17:14:47 +0800</pubDate><description><![CDATA[2006年7月5日 上午 09:09:00

发表者：吴军，Google 研究员 

地址的识别和分析是本地搜索必不可少的技术，尽管有许多识别和分析地址的方法，最有效的是有限状态机。

一个有限状态机是一个特殊的有向图（参见有关图论的系列），它包括一些状态（节点）和连接这些状态的有向弧。下图是一个识别中国地址的有限状态机的简单的例子。



每一个有限状态机都有一个启始状态和一]]></description><category></category></item><item><title><![CDATA[数学之美 系列九 -- 如何确定网页和查询的相关性]]></title><link>https://blog.youkuaiyun.com/cai0538/article/details/7435565</link><guid>https://blog.youkuaiyun.com/cai0538/article/details/7435565</guid><author>cai0538</author><pubDate>Sat, 07 Apr 2012 16:58:36 +0800</pubDate><description><![CDATA[2006年6月27日 上午 09:53:00

发表者：吴军，Google 研究员 

[我们已经谈过了如何自动下载网页、如何建立索引、如何衡量网页的质量(Page
 Rank)。我们今天谈谈如何确定一个网页和某个查询的相关性。了解了这四个方面，一个有一定编程基础的读者应该可以写一个简单的搜索引擎了，比如为您所在的学校或院系建立一个小的搜索引擎。]

我们还是看上回的例子，查找关于“]]></description><category></category></item><item><title><![CDATA[数学之美系列六 -- 图论和网络爬虫 (Web Crawlers)]]></title><link>https://blog.youkuaiyun.com/cai0538/article/details/7435447</link><guid>https://blog.youkuaiyun.com/cai0538/article/details/7435447</guid><author>cai0538</author><pubDate>Sat, 07 Apr 2012 16:19:01 +0800</pubDate><description><![CDATA[2006年5月15日 上午 07:15:00

发表者: 吴军，Google 研究员 

[离散数学是当代数学的一个重要分支，也是计算机科学的数学基础。它包括数理逻辑、集合论、图论和近世代数四个分支。数理逻辑基于布尔运算，我们已经介绍过了。这里我们介绍图论和互联网自动下载工具网络爬虫 (Web Crawlers) 之间的关系。顺便提一句，我们用Google
 Trends 来搜索一下“离]]></description><category></category></item><item><title><![CDATA[数学之美 系列八-- 贾里尼克的故事和现代语言处理]]></title><link>https://blog.youkuaiyun.com/cai0538/article/details/7435398</link><guid>https://blog.youkuaiyun.com/cai0538/article/details/7435398</guid><author>cai0538</author><pubDate>Sat, 07 Apr 2012 16:00:59 +0800</pubDate><description><![CDATA[2006年6月8日 上午 09:15:00

发表者：Google 研究员，吴军 

读者也许注意到了，我们在前面的系列中多次提到了贾里尼克这个名字。事实上，现代语音识别和自然语言处理确实是和它的名字是紧密联系在一起的。我想在这回的系列里，介绍贾里尼克本人。在这里我不想列举他的贡献，而想讲一讲他作为一个普普通通的人的故事。这些事要么是我亲身经历的，要么是他亲口对我讲的。

弗莱德里克.]]></description><category></category></item><item><title><![CDATA[数学之美系列五 -- 简单之美：布尔代数和搜索引擎的索引]]></title><link>https://blog.youkuaiyun.com/cai0538/article/details/7435329</link><guid>https://blog.youkuaiyun.com/cai0538/article/details/7435329</guid><author>cai0538</author><pubDate>Sat, 07 Apr 2012 15:40:34 +0800</pubDate><description><![CDATA[[建立一个搜索引擎大致需要做这样几件事：自动下载尽可能多的网页；建立快速有效的索引；根据相关性对网页进行公平准确的排序。我们在介绍 Google Page Rank (网页排名) 时已经谈到了一些排序的问题，这里我们谈谈索引问题，以后我们还会谈如何度量网页的相关性，和进行网页自动下载。］

世界上不可能有比二进制更简单的计数方法了，也不可能有比布尔运算更简单的运算了。尽管今天每个搜索引擎都宣称]]></description><category></category></item><item><title><![CDATA[数学之美系列十二：余弦定理和新闻的分类]]></title><link>https://blog.youkuaiyun.com/cai0538/article/details/7435319</link><guid>https://blog.youkuaiyun.com/cai0538/article/details/7435319</guid><author>cai0538</author><pubDate>Sat, 07 Apr 2012 15:37:40 +0800</pubDate><description><![CDATA[余弦定理和新闻的分类似乎是两件八杆子打不着的事，但是它们确有紧密的联系。具体说，新闻的分类很大程度上依靠余弦定理。

Google 的新闻是自动分类和整理的。所谓新闻的分类无非是要把相似的新闻放到一类中。计算机其实读不懂新闻，它只能快速计算。这就要求我们设计一个算法来算出任意两篇新闻的相似性。为了做到这一点，我们需要想办法用一组数字来描述一篇新闻。

我们来看看怎样找一组数字，或者说一个向]]></description><category></category></item><item><title><![CDATA[数学之美系列 4 -- 怎样度量信息?]]></title><link>https://blog.youkuaiyun.com/cai0538/article/details/7435285</link><guid>https://blog.youkuaiyun.com/cai0538/article/details/7435285</guid><author>cai0538</author><pubDate>Sat, 07 Apr 2012 15:29:20 +0800</pubDate><description><![CDATA[发表者：吴军，Google 研究员

前言: Google 一直以 “整合全球信息，让人人能获取，使人人能受益” 为使命。那么究竟每一条信息应该怎样度量呢？

信息是个很抽象的概念。我们常常说信息很多，或者信息较少，但却很难说清楚信息到底有多少。比如一本五十万字的中文书到底有多少信息量。直到 1948 年，香农提出了“信息熵”(shāng)
 的概念，才解决了对信息的量化度量问题。]]></description><category></category></item><item><title><![CDATA[隐含马尔可夫模型在语言处理中的应用]]></title><link>https://blog.youkuaiyun.com/cai0538/article/details/7435235</link><guid>https://blog.youkuaiyun.com/cai0538/article/details/7435235</guid><author>cai0538</author><pubDate>Sat, 07 Apr 2012 15:14:25 +0800</pubDate><description><![CDATA[2006年4月17日 上午 08:01:00

发表者：吴军，Google 研究员

前言：隐含马尔可夫模型是一个数学模型，到目前为之，它一直被认为是实现快速精确的语音识别系统的最成功的方法。复杂的语音识别问题通过隐含马尔可夫模型能非常简单地被表述、解决，让我不由由衷地感叹数学模型之妙。

自然语言是人类交流信息的工具。很多自然语言处理问题都可以等同于通信系统中的解码问题 -- 一个人]]></description><category></category></item><item><title><![CDATA[Python自然语言处理学习笔记[一]---前言(preface)]]></title><link>https://blog.youkuaiyun.com/cai0538/article/details/7434150</link><guid>https://blog.youkuaiyun.com/cai0538/article/details/7434150</guid><author>cai0538</author><pubDate>Fri, 06 Apr 2012 23:32:35 +0800</pubDate><description><![CDATA[2012-4-6 读前言(preface)部分 
update time:2012-4-6
Thisis a book about Natural Language Processing. By “natural language” we mean a languagethat is used for everyday communication by humans; languages su]]></description><category></category></item><item><title><![CDATA[linux命令终极系列（grep）]]></title><link>https://blog.youkuaiyun.com/cai0538/article/details/7383547</link><guid>https://blog.youkuaiyun.com/cai0538/article/details/7383547</guid><author>cai0538</author><pubDate>Thu, 22 Mar 2012 15:54:33 +0800</pubDate><description><![CDATA[一.grep命令常用参数
（1）－A NUM
       ＃grep -A 1 aa test.txt
        说明：从test.txt中搜寻有aa样式的行，并显示该行的后1行
 （2）-B NUM 
       ＃grep -B 1 aa test.txt
        说明：从test.txt中搜寻有aa样式的行，并显示该行的前1行
   (3) -C NUM]]></description><category></category></item></channel></rss>