<?xml version="1.0" encoding="utf-8" ?><rss version="2.0"><channel><title><![CDATA[chencheng371的博客]]></title><description><![CDATA[]]></description><link>https://blog.youkuaiyun.com/chencheng371</link><language>zh-cn</language><generator>https://blog.youkuaiyun.com/</generator><copyright><![CDATA[Copyright &copy; chencheng371]]></copyright><item><title><![CDATA[大数据组队学习Task05和期中作业]]></title><link>https://blog.youkuaiyun.com/chencheng371/article/details/129253332</link><guid>https://blog.youkuaiyun.com/chencheng371/article/details/129253332</guid><author>chencheng371</author><pubDate>Tue, 28 Feb 2023 01:56:05 +0800</pubDate><description><![CDATA[mapreduce]]></description><category></category></item><item><title><![CDATA[李航《统计学习分析》第一周概念记录]]></title><link>https://blog.youkuaiyun.com/chencheng371/article/details/108439996</link><guid>https://blog.youkuaiyun.com/chencheng371/article/details/108439996</guid><author>chencheng371</author><pubDate>Mon, 07 Sep 2020 02:28:21 +0800</pubDate><description><![CDATA[一、知识点整理
进程和线程：进程和线程都是一个时间段的描述，是 CPU 工作时间段的描述，不过是颗粒大小不同。
进程就是包换上下文切换的程序执行时间总和 = CPU 加载上下文 + CPU 执行 + CPU 保存上下文。线程是共享了进程的上下文环境的更为细小的 CPU 时间段。
判别式模型和生成式模型：
判别式模型直接学习决策函数 f(X) 或条件概率分布 P(Y|X) 作为预测的模型。往往准确率更高，并且可以简化学习问题。如 k 近邻法/感知机/决策树/最大熵模型/ Logistic 回归/线性判别分析 ]]></description><category></category></item><item><title><![CDATA[Task6 基于深度学习的文本分类3]]></title><link>https://blog.youkuaiyun.com/chencheng371/article/details/107803911</link><guid>https://blog.youkuaiyun.com/chencheng371/article/details/107803911</guid><author>chencheng371</author><pubDate>Tue, 04 Aug 2020 23:26:05 +0800</pubDate><description><![CDATA[Task6 基于深度学习的文本分类3
基于深度学习的文本分类
学习目标

了解Transformer的原理和基于预训练语言模型（Bert）的词表示
学会Bert的使用，具体包括pretrain和finetune

文本表示方法Part4
Transformer原理
Transformer是在"Attention is All You Need"中提出的，模型的编码部分是一组编码器的堆叠（论文中依次堆叠六个编码器），模型的解码部分是由相同数量的解码器的堆叠。

我们重点关注编码部分。他们结构完全相同，但是并不]]></description><category></category></item><item><title><![CDATA[Python基础训练营task06：函数与Lambda表达式]]></title><link>https://blog.youkuaiyun.com/chencheng371/article/details/107755251</link><guid>https://blog.youkuaiyun.com/chencheng371/article/details/107755251</guid><author>chencheng371</author><pubDate>Mon, 03 Aug 2020 05:45:11 +0800</pubDate><description><![CDATA[函数与Lambda表达式
1. 函数
还记得 Python 里面“万物皆对象”么？Python 把函数也当成对象，可以从另一个函数中返回出来而去构建高阶函数，比如：

参数是函数
返回值是函数

函数的定义

函数以def关键词开头，后接函数名和圆括号()。
函数执行的代码以冒号起始，并且缩进。
return [表达式] 结束函数，选择性地返回一个值给调用方。不带表达式的return相当于返回None。

def functionname(parameters):
    "函数_文档字符串"
    fu]]></description><category></category></item><item><title><![CDATA[Python基础入门练习——Task05字典、集合、序列]]></title><link>https://blog.youkuaiyun.com/chencheng371/article/details/107723704</link><guid>https://blog.youkuaiyun.com/chencheng371/article/details/107723704</guid><author>chencheng371</author><pubDate>Fri, 31 Jul 2020 23:37:28 +0800</pubDate><description><![CDATA[Python基础入门练习——Task04字典、集合、序列
字典练习题
dic = {
    'python': 95,
    'java': 99,
    'c': 100
    }

len(dic) #字典长度为3

3

dic['java'] = 98

dic['php'] = 90

del dic['c']

list(dic.values())

[95, 98, 90]

list(dic.keys())

['python', 'java', 'php']

list(dic.i]]></description><category></category></item><item><title><![CDATA[Datawhale NLP入门：Task5 基于深度学习的文本分类2]]></title><link>https://blog.youkuaiyun.com/chencheng371/article/details/107722693</link><guid>https://blog.youkuaiyun.com/chencheng371/article/details/107722693</guid><author>chencheng371</author><pubDate>Fri, 31 Jul 2020 22:21:45 +0800</pubDate><description><![CDATA[Task5 基于深度学习的文本分类2
在上一章节，我们通过FastText快速实现了基于深度学习的文本分类模型，但是这个模型并不是最优的。在本章我们将继续深入。
基于深度学习的文本分类
本章将继续学习基于深度学习的文本分类。
学习目标

学习Word2Vec的使用和基础原理
学习使用TextCNN、TextRNN进行文本表示
学习使用HAN网络结构完成文本分类

文本表示方法 Part3
词向量
本节通过word2vec学习词向量。word2vec模型背后的基本思想是对出现在上下文环境里的词进行预测。对于每]]></description><category></category></item><item><title><![CDATA[Python入门基础Task04：列表、元组、字符串]]></title><link>https://blog.youkuaiyun.com/chencheng371/article/details/107649492</link><guid>https://blog.youkuaiyun.com/chencheng371/article/details/107649492</guid><author>chencheng371</author><pubDate>Tue, 28 Jul 2020 23:55:51 +0800</pubDate><description><![CDATA[Python入门基础Task04：列表、元组、字符串
列表习题
练习题：列表
lst = [2, 5, 6, 7, 8, 9, 2, 9, 9]
lst

[2, 5, 6, 7, 8, 9, 2, 9, 9]


在列表的末尾增加元素15

# 直接加

lst = [2, 5, 6, 7, 8, 9, 2, 9, 9, 15]
lst

[2, 5, 6, 7, 8, 9, 2, 9, 9, 15]

# 用append
lst.append(15)

lst

[2, 5, 6, 7, 8, 9, 2]]></description><category></category></item><item><title><![CDATA[fasttext pip安装失败：No module named fasttext? ERROR: Command errored out with exit status 1 的解决方案]]></title><link>https://blog.youkuaiyun.com/chencheng371/article/details/107625484</link><guid>https://blog.youkuaiyun.com/chencheng371/article/details/107625484</guid><author>chencheng371</author><pubDate>Tue, 28 Jul 2020 00:41:01 +0800</pubDate><description><![CDATA[fasttext pip安装失败：No module named fasttext? ERROR: Command errored out with exit status 1 的解决方案
今天想用Fasttext做文本训练，import的时候发现这个包包需要外部来安装，木的这个module！

报错信息为：No module named ‘fasttext’


于是我们乖乖的用pip老人家来安装，得到报错信息如下：

报错信息： ERROR: Command errored out with exit ]]></description><category></category></item><item><title><![CDATA[Datewhale NLP 天池比赛：Task4]]></title><link>https://blog.youkuaiyun.com/chencheng371/article/details/107624649</link><guid>https://blog.youkuaiyun.com/chencheng371/article/details/107624649</guid><author>chencheng371</author><pubDate>Mon, 27 Jul 2020 23:56:24 +0800</pubDate><description><![CDATA[Task 04
import pandas as pd
from sklearn.metrics import f1_score

# 转换为FastText需要的格式
train_df = pd.read_csv('train_set.csv', sep='\t', nrows=15000)
train_df['label_ft'] = '__label__' + train_df['label'].astype(str)
train_df[['text','label_ft']].iloc[:-5000]]></description><category></category></item><item><title><![CDATA[DataWhale Python基础——task1]]></title><link>https://blog.youkuaiyun.com/chencheng371/article/details/107526412</link><guid>https://blog.youkuaiyun.com/chencheng371/article/details/107526412</guid><author>chencheng371</author><pubDate>Wed, 22 Jul 2020 23:53:38 +0800</pubDate><description><![CDATA[Datawhale Python基础训练营作业（1）
变量、运算符与数据类型
注释
# 我是一个python的注释！我是绿色的！

"""
我是多行注释，我是红色的！
"""

'\n我是多行注释，我是红色的！\n'

运算符
算术运算符
print(1+1) #加法

2

print(1*1)#乘法

1

print(1-1)#减法

0

print(3/2)#除法

1.5

print(3//2)#整除（地板除）

1

print(3%4)#取余

3

print(3**3) #幂

27
]]></description><category></category></item><item><title><![CDATA[Datawhale零基础入门NLP赛事Task 02: 数据读取与数据分析]]></title><link>https://blog.youkuaiyun.com/chencheng371/article/details/107525391</link><guid>https://blog.youkuaiyun.com/chencheng371/article/details/107525391</guid><author>chencheng371</author><pubDate>Wed, 22 Jul 2020 22:47:01 +0800</pubDate><description><![CDATA[Datawhale零基础入门NLP赛事Task 02: 数据读取与数据分析
今天开始第二个task，要用数据进行实操了呢！
首先按照比赛要求准备好响应的库，然后就可以开始了。
今天主要用到的库：Pandas
学习目标

学习使用pandas读取赛题数据
分析赛题数据的分布规律

数据读取
import pandas as pd #首先把pandas导入进来

news_label = {'科技': 0, '股票': 1, '体育': 2, '娱乐': 3, '时政': 4, '社会': 5, '教育': 6]]></description><category></category></item><item><title><![CDATA[Datawhale零基础入门NLP——新闻文本分类（一）熟悉赛题（天池比赛）]]></title><link>https://blog.youkuaiyun.com/chencheng371/article/details/107501799</link><guid>https://blog.youkuaiyun.com/chencheng371/article/details/107501799</guid><author>chencheng371</author><pubDate>Tue, 21 Jul 2020 23:43:30 +0800</pubDate><description><![CDATA[这里写自定义目录标题Datawhale零基础入门NLP——新闻文本分类（一）熟悉赛题（天池比赛）一、赛题背景二、赛制说明三、赛题数据四、 评测标准五、结果提交六、 专题学习资料七、解题思路
Datawhale零基础入门NLP——新闻文本分类（一）熟悉赛题（天池比赛）
一、赛题背景
这次是第三场赛事，赛事名称为零基础入门NLP之新闻文本分类挑战赛。

背景：自然语言处理
目的：根据新闻文本字符对新闻的类别分类
目标：接触预处理、模型构建和模型训练等知识点

二、赛制说明
本次赛事分为两个阶段：

正式赛（7.]]></description><category></category></item></channel></rss>