
深度学习 Deep Learning
文章平均质量分 89
coder_oyang
墓志铭
展开
专栏收录文章
- 默认排序
- 最新发布
- 最早发布
- 最多阅读
- 最少阅读
-
推荐系统及其embedding
https://zhuanlan.zhihu.com/p/104182282原创 2020-06-03 13:56:12 · 293 阅读 · 0 评论 -
推荐系统--论文
1. Deep Neural Networks for YouTube Recommendations 对应中文解读 重读Youtube深度学习推荐系统论文,字字珠玑,惊为神文 2. https://github.com/wzhe06/Reco-papers 推荐系统论文列表 ...原创 2019-07-12 16:47:58 · 406 阅读 · 0 评论 -
paper list
Chris Dyer Neural architectures for named entity recognition原创 2019-05-09 17:15:22 · 193 阅读 · 0 评论 -
白话Word2vec—Word2vec算法简介
勘误:第二幅图从根结点开始的第四层叶节点,从左往右的最后一个叶结点下的汉字应该为 刘德华原创 2018-03-13 15:36:25 · 1230 阅读 · 0 评论 -
智能交互框架总结
深度学习固然热络,但在垂直领域,我还是推崇规则匹配,垂直领域的正常问答中,不会超过10000条语句,那么规则其实能很好cover,准确率甚至能高达90%,累积了大数据,深度学习在这个时候就能很好提升模型精度,下面是对智能交互的总结。 智能交互总体框架 下面着重总结下自然语言理解(NLU)部分: 1. NLU分原创 2018-02-03 16:06:47 · 1269 阅读 · 0 评论 -
Ubuntu16或者Ubuntu14 配置NVIDIA、CUDA以及CUDNN
Ubuntu下配置GPU深度学习环境-Ubuntu16以及Ubuntu14均有效原创 2017-02-17 11:40:21 · 1472 阅读 · 0 评论 -
格灵深瞳面试--我和Yoshua Bengio的距离
格灵深瞳面试--我和Yoshua Bengio有约原创 2015-08-25 20:03:36 · 6031 阅读 · 1 评论 -
基于检索与深度神经网络的人机对话
关于NLP的交流分享,下面简单梳理下自己的所得 1.一个10个词语的句子出现3个或以上的错别字那么这个句子基本没用 2.规则模型与生成式模型 在做对话系统或者问答系统的过程中,他们采用的是混合模型,包括Deep Learning以及检索系统,首先要说一说各种模型的优缺点,见下表: 表1. 两种对话模型的比较表 规则模型,就是按照某种规则去做字符串匹配。基于检索...原创 2017-05-25 17:21:28 · 3295 阅读 · 0 评论 -
自然语言理解的简单梳理
自然语言理解,口语理解简介原创 2017-08-17 18:03:16 · 641 阅读 · 0 评论 -
NLP资料汇总
NLP好去处原创 2017-01-20 12:38:06 · 439 阅读 · 0 评论 -
Deep Learning 的一些认识
整理出的 Xiaogang Wang 的报告,他的团队做了一些比较有意思的实验,说明了DeepID的网络模型神经元节点是中度稀释的,并且对人的识别度以及特性比较敏感,同时对遮挡具有鲁棒性原创 2015-07-06 20:34:31 · 1242 阅读 · 0 评论 -
Bag of Tricks for Efficient Text Classification
Facebook NLP 大牛Tomas Mikolov 的又一力作 Bag of Tricks for Efficient Text Classification ,号称提出了区别于Word2vec的一种简单而高效的文本分类和特征学习方法。原文链接自行Google之,下面是机器之心的翻译链接 Bag of Tricks for Efficient Text Classification 觉原创 2016-08-02 14:43:24 · 2970 阅读 · 0 评论 -
关于乔姆斯基和统计学习的两种文化(编译)
转载原创 2015-11-18 15:44:14 · 501 阅读 · 0 评论 -
Deep Learning and Shallow Learning
转载链接,其中介绍核函数相当经典原创 2015-10-07 14:04:13 · 677 阅读 · 0 评论 -
深度学习的一些总结(Introduce to Deep learning)
关于深度学习的一些总结原创 2015-06-28 16:42:10 · 3986 阅读 · 2 评论