<?xml version="1.0" encoding="utf-8" ?><rss version="2.0"><channel><title><![CDATA[continueOo的博客]]></title><description><![CDATA[]]></description><link>https://blog.youkuaiyun.com/continueOo</link><language>zh-cn</language><generator>https://blog.youkuaiyun.com/</generator><copyright><![CDATA[Copyright &copy; continueOo]]></copyright><item><title><![CDATA[讲人话系列——分段约束的整数规划问题]]></title><link>https://blog.youkuaiyun.com/continueOo/article/details/90948000</link><guid>https://blog.youkuaiyun.com/continueOo/article/details/90948000</guid><author>continueOo</author><pubDate>Wed, 05 Jun 2019 21:32:04 +0800</pubDate><description><![CDATA[概述
供应链是电商的一个重要部分，价格能否做出优势，很大一部分靠供应链。包括我司和PDD今年也都打出了深耕供应链的口号。那么算法在供应链中也有很多的应用。市面上常见的有如下几个类型的应用：

预测：各种预测，销量预测，店铺销量预测，订单预测。
规划：各种规划，物流规划、车辆规划、人员规划、路径规划、包材规划。

上面的问题，大致从技术侧来看有几种解决方案：

传统时序预测
深度学习sequence...]]></description><category></category></item><item><title><![CDATA[讲人话系列——电商推荐系统]]></title><link>https://blog.youkuaiyun.com/continueOo/article/details/90927740</link><guid>https://blog.youkuaiyun.com/continueOo/article/details/90927740</guid><author>continueOo</author><pubDate>Wed, 05 Jun 2019 19:49:48 +0800</pubDate><description><![CDATA[概述
从18年11月开始，接触推荐系统半年左右时间，对推荐系统有了基本的认识。相比于之前做的nlp任务，推荐系统复杂更多，数据来源更复杂、pipeline更复杂、场景更复杂、业务更复杂、指标更复杂。在NLP部分的时候，绝大多数时间花在了数据-模型以及其match上。而在推荐里由于系统复杂度提升，多了更多的功夫在系统架构、代码重构、快速部署上，工程侧的东西在复杂系统中显得更为重要。秉着精益算法的思想...]]></description><category></category></item><item><title><![CDATA[讲人话系列——企业中的文本分类]]></title><link>https://blog.youkuaiyun.com/continueOo/article/details/89320012</link><guid>https://blog.youkuaiyun.com/continueOo/article/details/89320012</guid><author>continueOo</author><pubDate>Mon, 15 Apr 2019 20:29:17 +0800</pubDate><description><![CDATA[概述
新型深度模型天天刷屏刷榜，模型日新月异，做算法的不免感到焦虑。发现自己看论文的速度已经赶不上他们发论文的速度了。在此启发下，想写一写自己工作的思考，面对一个领域，我们如何进行技术选型，这个系列我会结合着自己的工作，帮助大家选择一个好的Baseline模型。可能这也是我的困惑，大家模型介绍的欢天喜地，并没有指出哪些适合做baseline，到头还得自己一个一个试，希望我的经验能帮助大家节省一点点...]]></description><category></category></item><item><title><![CDATA[Tensorflow identity 笔记]]></title><link>https://blog.youkuaiyun.com/continueOo/article/details/79680947</link><guid>https://blog.youkuaiyun.com/continueOo/article/details/79680947</guid><author>continueOo</author><pubDate>Sat, 24 Mar 2018 19:51:47 +0800</pubDate><description><![CDATA[概述： 
在tensorflow学习中，经常会用到identity这个操作，一直不知道原因，这里留下一点学习记录。直接上代码。代码功能：我们想完成tensorflow下的自增计算操作，也就是x += 1，这要在计算图上完成并没有想象的简单。import tensorflow as tfx = tf.Variable(0.0)
#tensor加操作，自身x也增1
x_plus_1 = tf.assig]]></description><category></category></item><item><title><![CDATA[Conda docs笔记]]></title><link>https://blog.youkuaiyun.com/continueOo/article/details/79375961</link><guid>https://blog.youkuaiyun.com/continueOo/article/details/79375961</guid><author>continueOo</author><pubDate>Mon, 26 Feb 2018 13:10:33 +0800</pubDate><description><![CDATA[前言

之前对conda，pip等包管理工具一直是胡乱的使用，没有详细的了解过其使用方法和技巧，导致常见的问题经常反复查询解决方法浪费时间。今天从头到尾看了一下conda的docs，再次大致记录一下，方便以后查询。 
PS：其实经常遇到的问题，以及解决方法docs上面都有较详细的记录。系统性比博客要好很多。

conda docs：https://conda.io/docs/user-guide/...]]></description><category></category></item><item><title><![CDATA[HMM超详细讲解+代码]]></title><link>https://blog.youkuaiyun.com/continueOo/article/details/77893587</link><guid>https://blog.youkuaiyun.com/continueOo/article/details/77893587</guid><author>continueOo</author><pubDate>Fri, 08 Sep 2017 13:29:55 +0800</pubDate><description><![CDATA[写在前面
本文目标
Why - 什么场景下需要HMM模型
What - HMM模型的相关概念定义
HMM模型的5元组
HMM中的3个经典问题
How - HMM模型中的3个经典问题
评估
评估描述
评估理论推导
评估实际算法前向计算
python前向算法代码
预测
预测描述
维特比算法
python 维特比算法代码
学习
EM算法实例理解
baum-welch算法的思路
python代码baum-w]]></description><category></category></item><item><title><![CDATA[天天学算法——搜索热词关联（TopK）]]></title><link>https://blog.youkuaiyun.com/continueOo/article/details/77428696</link><guid>https://blog.youkuaiyun.com/continueOo/article/details/77428696</guid><author>continueOo</author><pubDate>Sun, 20 Aug 2017 14:24:17 +0800</pubDate><description><![CDATA[目录：
《剑指offer》面试题－topk算法
搜索热词关联算法
代码实现以及java学习
写在前面每次写博客都爱先扯点乱七八糟的东西，这是工作准备写的第２篇博客，之前写过一篇hadoop入门，那里还留下了一个搜索引擎的demo没有去完成，这次学习热词关联刚好也是和搜索引擎相关，所以借此机会把这篇记录下来，一方面花了３天来学习了这个内容，确实学到了不少东西，二来下次写搜索引擎的hadoop的demo]]></description><category></category></item><item><title><![CDATA[hadoop 超详细入门wordcount]]></title><link>https://blog.youkuaiyun.com/continueOo/article/details/76795210</link><guid>https://blog.youkuaiyun.com/continueOo/article/details/76795210</guid><author>continueOo</author><pubDate>Sun, 06 Aug 2017 22:28:53 +0800</pubDate><description><![CDATA[概述今天博客收到了第一条评论，感觉很赞哦，最近一直在学习hadoop，主要是结合《实战Hadop：开启通向云计算的捷径(刘鹏)》，然后apache官网的doc（还是要以官网为主，虽然是全英文的，但总比那些版本都不对的博客来开得多得多），自己尝试了一下hadoop的hello world之后，有继续尝试了使用docker来模拟多机的集群分布式环境，最后再返回来看hadoop的核心框架hdfs和mapr]]></description><category></category></item><item><title><![CDATA[数据挖掘岗位——工作准备]]></title><link>https://blog.youkuaiyun.com/continueOo/article/details/76562233</link><guid>https://blog.youkuaiyun.com/continueOo/article/details/76562233</guid><author>continueOo</author><pubDate>Tue, 01 Aug 2017 23:06:15 +0800</pubDate><description><![CDATA[本人关山口男子职业技术学院技术渣渣一名，大三开始接触技术工作，大三之前学过一点java，然后做过一点点web项目，大三正式接触技术工作，临近秋招，各个大公司的内推都已经开始，发现自己啥都不会，于是决心从今天开始复习，比起那些高中就搞信息竞赛的人来说，确实基础晚了不知道几条街，但是梦想还是要有的，万一找到好工作啦呢，在这里记录自己2017年秋招学习过程与面试经历。岗位均是数据方向，欢迎指导交流。公司：]]></description><category></category></item><item><title><![CDATA[深刻改变未来-云计算关键技术（一）]]></title><link>https://blog.youkuaiyun.com/continueOo/article/details/76178414</link><guid>https://blog.youkuaiyun.com/continueOo/article/details/76178414</guid><author>continueOo</author><pubDate>Thu, 27 Jul 2017 11:36:45 +0800</pubDate><description><![CDATA[说明：本博文内容大多来源于《云计算：深刻改变未来》一书。概述云计算是以数据为中心的一种数据密集型的超级计算，在数据存储、数据管理、编程模式、并发控制、系统管理等方面具有自身独特的技术。云计算技术框架云计算的出现，改变了信息服务的提供方式。深入剖析‘云’，会发现他不是一个单独的服务，而是一个服务集合，其技术框架包括：基础设施即服务（IaaS）,平台即服务（PaaS）,软件即服务（SaaS）三种形式，云]]></description><category></category></item><item><title><![CDATA[Linked Data学习]]></title><link>https://blog.youkuaiyun.com/continueOo/article/details/76176971</link><guid>https://blog.youkuaiyun.com/continueOo/article/details/76176971</guid><author>continueOo</author><pubDate>Thu, 27 Jul 2017 11:03:15 +0800</pubDate><description><![CDATA[Linked Data 原则源自：https://www.ibm.com/developerworks/cn/web/wa-data-integration-at-scale_linked-data/ 
为了鼓励以一致的方式在网络上发布数据，Tim Berners-Lee 定义了 4 条 Linked Data 原则： 
使用统一资源标识符 (URI) 作为事物的名称。 
使用 HTTP URI，使]]></description><category></category></item><item><title><![CDATA[统计自然语言处理（词汇获取）]]></title><link>https://blog.youkuaiyun.com/continueOo/article/details/73369227</link><guid>https://blog.youkuaiyun.com/continueOo/article/details/73369227</guid><author>continueOo</author><pubDate>Sat, 17 Jun 2017 11:03:53 +0800</pubDate><description><![CDATA[概述词汇获取的一般目的，通过考察大型文本语料库中词汇出现的模式，设计一种算法和统计技术来填补现有电子词典的不足。在自然语言中我们感兴趣的大部分词的特性并没有被收录到电子词典中，自然语言的新词和旧词新用法总是层出不穷，即使我们编辑了现有所有存在的词汇，过几天也会有新的出现，所以词汇获取在自然语言中则显得十分重要。本章包含４个部分：动词子范畴，附着歧义，选择倾向，词汇之间的语义相似性。可以看到之前谈到的]]></description><category></category></item><item><title><![CDATA[离散动态贝叶斯网络]]></title><link>https://blog.youkuaiyun.com/continueOo/article/details/73277698</link><guid>https://blog.youkuaiyun.com/continueOo/article/details/73277698</guid><author>continueOo</author><pubDate>Thu, 15 Jun 2017 11:42:16 +0800</pubDate><description><![CDATA[概述朴素贝叶斯分类器基于一个简单的假定：给定目标值时属性之间相互条件独立（实际上在现实应用中几乎不可能做到完全独立），现实中各个特征属性间往往并不条件独立，而是具有较强的相关性，这样就限制了朴素贝叶斯分类的能力。这时就需要贝叶斯网络了，贝叶斯网络也称信念网络（Belief Networks）或者因果网络（Causal Networks），是描述变量之间以来关系的一种图形模型，也是一种用来推理的模型。]]></description><category></category></item><item><title><![CDATA[再识概率论]]></title><link>https://blog.youkuaiyun.com/continueOo/article/details/73136001</link><guid>https://blog.youkuaiyun.com/continueOo/article/details/73136001</guid><author>continueOo</author><pubDate>Mon, 12 Jun 2017 20:40:40 +0800</pubDate><description><![CDATA[概述因为本人对于贝叶斯的神奇的渴望，以及对概率论体系的重视。发现自己对概率的定义仍然不清晰，这里提出一些小例子，进行分析，并回顾概率论最基础知识。大神请绕路！问题1： 
P（猪）  大家是不是觉得猪的概率这个说法很奇怪。 
P（红球） 这个好像也是数学书里面经常出现的。 
P（骰子为6） 大家是不是觉得骰子为6的概率貌似又比较正常，这个里面的区别到底在哪里呢?问题2： 
P(今天下雨)、P（今天下雨]]></description><category></category></item><item><title><![CDATA[统计学自然语言处理（语义消歧）]]></title><link>https://blog.youkuaiyun.com/continueOo/article/details/73089424</link><guid>https://blog.youkuaiyun.com/continueOo/article/details/73089424</guid><author>continueOo</author><pubDate>Mon, 12 Jun 2017 11:20:31 +0800</pubDate><description><![CDATA[概述本书本章描述自然语言处理中消除歧义的问题，并介绍几种重要的语义消歧算法，描述他们的资源需求和算法性能。消歧我们应该能直观的想象到就是一句话可能有几个意思。但是落实到具体细节中，我认为主要分以下几种： 
１．分词的消歧，这是很常见的一个例子(南京　市　长　江大桥)　 
２．多义词的具体词义 
３．词性的判断 
对于词性的判断可以看做一个词性标注的问题词性标注的话，我们通常考虑邻近上下文。相反，如果]]></description><category></category></item><item><title><![CDATA[统计自然语言处理（统计推理：稀疏数据集上的n元语法模型）]]></title><link>https://blog.youkuaiyun.com/continueOo/article/details/72852772</link><guid>https://blog.youkuaiyun.com/continueOo/article/details/72852772</guid><author>continueOo</author><pubDate>Sat, 03 Jun 2017 16:25:28 +0800</pubDate><description><![CDATA[概述统计自然语言处理的目的就是针对自然语言领域进行统计推理。作为一个常用的统计估计的例子，我们将考察经典建模问题，即当前词预测下一个词。词汇预测任务是一项技术可以解决的简单明了的问题。Bins：构造等价类利用历史词汇预测词汇，我们构造这样一个模型。模型中所有历史都是前n-1个已经出现的词，那么我们就有一个（n-1）阶马尔可夫模型，或者称N元语法模型。随着n的增加和词表数量的增加，我们把数据划分到太多]]></description><category></category></item><item><title><![CDATA[统计自然语言处理（马尔可夫模型）]]></title><link>https://blog.youkuaiyun.com/continueOo/article/details/72851741</link><guid>https://blog.youkuaiyun.com/continueOo/article/details/72851741</guid><author>continueOo</author><pubDate>Sat, 03 Jun 2017 13:58:19 +0800</pubDate><description><![CDATA[目的1.了解什么马尔科夫模型的三个问题 
·状态概率的计算（前向算法） 
·马尔科夫译码过程（维特比算法） 
·马尔科夫参数求解（EM算法  前后向算法）隐马尔科夫模型（HMM）这里笔者假设大家大致了解马尔科夫模型，即马尔科夫链的节点状态只于前N个状态相关，现实生活中常常存在一些隐藏的内容，比如3种骰子的例子，图如下： 
https://www.cnblogs.com/skyme/p/4651331]]></description><category></category></item><item><title><![CDATA[统计自然语言处理（概率上下文无关文法）]]></title><link>https://blog.youkuaiyun.com/continueOo/article/details/72851724</link><guid>https://blog.youkuaiyun.com/continueOo/article/details/72851724</guid><author>continueOo</author><pubDate>Sat, 03 Jun 2017 13:53:06 +0800</pubDate><description><![CDATA[什么是语法解析在自然语言中，句子可以分为主谓宾等表示。人们说话的方式（即使是在酒后的胡言乱语）也存在一些结构和规则。语言学中的语法分析的目标就是努力分离出这些语法结构。词语之间绝非是简单的顺序关系，它必须是描述词语如何相联系的。语法解析中有两个主要的问题： 
1.句子语法在计算机中的表达与储存方式。 
2.语法解析算法。对于第一个问题，最近50年间，最主要的方法就是为每个句子构造一个树结构。举例如下]]></description><category></category></item><item><title><![CDATA[点集最小外接矩算法]]></title><link>https://blog.youkuaiyun.com/continueOo/article/details/72830133</link><guid>https://blog.youkuaiyun.com/continueOo/article/details/72830133</guid><author>continueOo</author><pubDate>Thu, 01 Jun 2017 12:39:42 +0800</pubDate><description><![CDATA[作者：冯浩       时间： 2007.10.11  文档类型/出处：NOI专刊 
题目简述：給出一个平面点集S，求一个面积最小的矩形使其包含S所有的点。
预备知识：在求解这道题之前我们先要了解一些关于凸包的知识。什么是凸包？简单地说，对于一个平面点集S，我们把完全包含该点集的最小的凸多边形叫做点集S的凸包H。凸包一个很重要的性质就是它“凸”的性质。这个性质对我们理解和计算凸包都有很大的帮助。
I]]></description><category></category></item><item><title><![CDATA[统计自然语言处理（词法）]]></title><link>https://blog.youkuaiyun.com/continueOo/article/details/72823943</link><guid>https://blog.youkuaiyun.com/continueOo/article/details/72823943</guid><author>continueOo</author><pubDate>Wed, 31 May 2017 21:07:52 +0800</pubDate><description><![CDATA[概念介绍 语法可分为词法和句法
 词法
 词法，即运用词语必须遵循的一般语法规则。所谓“一般语法规则”，即人们约定俗成并为人们广泛认可和应用的语言文字的规范。在《词语的运用》一讲中我们已经进过，词语是具有实在意义并能独立运用的最小的语言单位。因此，我们学习任何一种语言，都必须从学习词语开始，首先应该学一点词法的基本知识。接下来，我想择其要讲两个问题：词语的构词方式，词类和词的兼类。——百度文库
 句]]></description><category></category></item></channel></rss>