<?xml version="1.0" encoding="utf-8" ?><rss version="2.0"><channel><title><![CDATA[davidie的专栏]]></title><description><![CDATA[]]></description><link>https://blog.youkuaiyun.com/davidie</link><language>zh-cn</language><generator>https://blog.youkuaiyun.com/</generator><copyright><![CDATA[Copyright &copy; davidie]]></copyright><item><title><![CDATA[腾讯社交广告大赛总结]]></title><link>https://blog.youkuaiyun.com/davidie/article/details/72983422</link><guid>https://blog.youkuaiyun.com/davidie/article/details/72983422</guid><author>davidie</author><pubDate>Sat, 10 Jun 2017 13:58:32 +0800</pubDate><description><![CDATA[没想到这么快就又跳槽了，新工作业务压力小，个人时间比较多，所以第一次认真地参加完了一个比赛，收获良多。这个比赛旨在预测广告的转化率pCVR，加入转化率因子优化排序（有的广告可能ctr高，但是转化低），提升广告投放效果，提升ROI。
        技术上面的一些收获和展望：
1. 数据集的划分： 数据集的划分要与最终提交的测试集预测逻辑一致。提交的预测集是根据31号之前的数据预测31号的转化率]]></description><category></category></item><item><title><![CDATA[nlp研究领域与方法的知识体系]]></title><link>https://blog.youkuaiyun.com/davidie/article/details/69055942</link><guid>https://blog.youkuaiyun.com/davidie/article/details/69055942</guid><author>davidie</author><pubDate>Tue, 04 Apr 2017 11:16:39 +0800</pubDate><description><![CDATA[看到一篇“语义分析的一些方法”的文章，对构建nlp知识体系比较有用，来源为：
http://www.flickering.cn/ads/2015/02/%E8%AF%AD%E4%B9%89%E5%88%86%E6%9E%90%E7%9A%84%E4%B8%80%E4%BA%9B%E6%96%B9%E6%B3%95%E4%B8%80/
http://www.flickering.cn/ads/2]]></description><category></category></item><item><title><![CDATA[Tensorflow中Demo学习：RNN语言模型]]></title><link>https://blog.youkuaiyun.com/davidie/article/details/68951503</link><guid>https://blog.youkuaiyun.com/davidie/article/details/68951503</guid><author>davidie</author><pubDate>Sun, 02 Apr 2017 12:10:01 +0800</pubDate><description><![CDATA[花了一天时间读Tensorflow中递归神经网络demo(http://wiki.jikexueyuan.com/project/tensorflow-zh/tutorials/recurrent.html)。使用PTB数据集，构造RNN语言模型，利用当前词预测下一个词。
一些有用的参考文章记录如下：
http://blog.youkuaiyun.com/a343902152/article/detail]]></description><category></category></item><item><title><![CDATA[TensorFlow安装过程尝试-Ubuntu 14.04 + GTX 1060]]></title><link>https://blog.youkuaiyun.com/davidie/article/details/53178598</link><guid>https://blog.youkuaiyun.com/davidie/article/details/53178598</guid><author>davidie</author><pubDate>Mon, 28 Nov 2016 16:13:30 +0800</pubDate><description><![CDATA[最近对TensorFlow比较感兴趣，将整个安装的程记录如下。
Step 1： Ubuntu系统的安装。我采用的是双系统，安装的Ubuntu版本是14.04。系统的安装这里不作介绍，需要注意的是必须安装64位的系统。
Step 2： jdk8的安装。
（2.1）下载jdk文件
下载对应版本的jdk文件，网址为www.oracle.com/technetwork/cn/java/java]]></description><category></category></item><item><title><![CDATA[GBDT算法整理]]></title><link>https://blog.youkuaiyun.com/davidie/article/details/50897278</link><guid>https://blog.youkuaiyun.com/davidie/article/details/50897278</guid><author>davidie</author><pubDate>Tue, 15 Mar 2016 16:15:33 +0800</pubDate><description><![CDATA[最近重点学习了gbdt算法，看了较多的博客文章，整理了一下这些比较有用的内容，包括算法理论、算法分析、代码剖析、注意事项等各个方面。
转载来源：
http://www.cnblogs.com/rocketfan/p/4324605.html

http://www.cnblogs.com/rocketfan/p/4365950.html

http://www.cnblogs.com/]]></description><category></category></item><item><title><![CDATA[损失函数(Loss Function)]]></title><link>https://blog.youkuaiyun.com/davidie/article/details/50895958</link><guid>https://blog.youkuaiyun.com/davidie/article/details/50895958</guid><author>davidie</author><pubDate>Tue, 15 Mar 2016 14:04:35 +0800</pubDate><description><![CDATA[看到一篇讲解损失函数的博客，写的比较好，转载来源http://www.cnblogs.com/rocketfan/p/4083821.html


http://www.ics.uci.edu/~dramanan/teaching/ics273a_winter08/lectures/lecture14.pdf

1. Loss Function

损失函数可以看做 误差部分(loss]]></description><category></category></item><item><title><![CDATA[[转]GBDT（Gradient Boosting Decision Tree）迭代决策树]]></title><link>https://blog.youkuaiyun.com/davidie/article/details/50822866</link><guid>https://blog.youkuaiyun.com/davidie/article/details/50822866</guid><author>davidie</author><pubDate>Mon, 07 Mar 2016 22:24:06 +0800</pubDate><description><![CDATA[转载来源: http://blog.youkuaiyun.com/lszdh/article/details/33305257


一、前言

阿里的比赛一直是跟着大神们的脚步，现在大家讨论最多的是gbrt（Gradient Boost Regression Tree），也就是GBDT（Gradient Boosting Decision Tree）迭代决策树。所以先看了决策树，见上一篇博客决策树。]]></description><category></category></item><item><title><![CDATA[到底什么是上下文无关文法(CFG)？]]></title><link>https://blog.youkuaiyun.com/davidie/article/details/50495720</link><guid>https://blog.youkuaiyun.com/davidie/article/details/50495720</guid><author>davidie</author><pubDate>Mon, 11 Jan 2016 11:08:53 +0800</pubDate><description><![CDATA[在龙书Compilers - Principles, Techniques, & Tools英文版第2版42页中，提到上下文无关文法有以下的特点： 

一个终结符的有限集（A set of terminal symbols），构成文法的最基本的字符就是这个文法的终结符，例如一个能够产生个位数的文法规则digit --> 0 | 1 | 2 | 3 | 4 | 5 | 6 | 7 | 8 | 9]]></description><category></category></item><item><title><![CDATA[各种分类算法的比较]]></title><link>https://blog.youkuaiyun.com/davidie/article/details/50434130</link><guid>https://blog.youkuaiyun.com/davidie/article/details/50434130</guid><author>davidie</author><pubDate>Wed, 30 Dec 2015 14:07:05 +0800</pubDate><description><![CDATA[面试的时候，经常会被问到一些分类算法的优劣比较。看到一些有用的相关文章，总结下来仅供参考：
Source 1. http://sigvc.org/bbs/thread-3323-1-1.html

How do you know what machine learning algorithm to choose
 for your classification problem? Of co]]></description><category></category></item><item><title><![CDATA[并行编程实战记录----多线程与MPI多进程]]></title><link>https://blog.youkuaiyun.com/davidie/article/details/50373515</link><guid>https://blog.youkuaiyun.com/davidie/article/details/50373515</guid><author>davidie</author><pubDate>Mon, 21 Dec 2015 18:06:30 +0800</pubDate><description><![CDATA[工作半年以来，大部分时间都在做RNN的研究，尤其是通过lstm（long-short term memory）构建识别模型。我专注的是使用rnnlib工具开展模型的训练工作，以搭建有效的识别模型。Rnnlib（http://sourceforge.net/projects/rnnl/）由Alex Graves提供，是解决序列识别问题的RNN工具包，尤其是对隐含层提供了lstm的算法实现。在Alex]]></description><category></category></item><item><title><![CDATA[多进程与多线程]]></title><link>https://blog.youkuaiyun.com/davidie/article/details/50203153</link><guid>https://blog.youkuaiyun.com/davidie/article/details/50203153</guid><author>davidie</author><pubDate>Mon, 07 Dec 2015 10:48:11 +0800</pubDate><description><![CDATA[转自http://zh.wikipedia.org/wiki/行程間通訊

进程（英语：Process，中国大陆译作进程，台湾译作行程） 是具有一定独立功能的程序关于某个数据集合上的一次运行活动，是系统进行资源分配和调度的一个独立单位。
程序是一组指令的有序集合，它本身没有任何运行的含义，只是一个静态实体。进程是程序在某个数据集上的执行，是一个动态实体（
程序是一组指令的有序集合，它本身没]]></description><category></category></item><item><title><![CDATA[free 和 delete 把指针怎么了]]></title><link>https://blog.youkuaiyun.com/davidie/article/details/50053237</link><guid>https://blog.youkuaiyun.com/davidie/article/details/50053237</guid><author>davidie</author><pubDate>Thu, 26 Nov 2015 11:17:14 +0800</pubDate><description><![CDATA[转自http://www.cnblogs.com/kaituorensheng/archive/2013/08/09/3247687.html


     使用free或delete之后，只是把指针所指的内容给释放掉，但是指针并没有被干掉，还是指向原来位置（并不是执行NULL），此时指针指向的内容为垃圾，被称为“野指针”。

     举例说明几个重要容易迷糊的特征：

1. 指针]]></description><category></category></item><item><title><![CDATA[LIB和DLL的区别与使用]]></title><link>https://blog.youkuaiyun.com/davidie/article/details/48714357</link><guid>https://blog.youkuaiyun.com/davidie/article/details/48714357</guid><author>davidie</author><pubDate>Thu, 24 Sep 2015 17:56:34 +0800</pubDate><description><![CDATA[调别人代码的时候，碰到一个问题：把a.lib加入依赖之后，编译通过。但调试的时候，却突然弹出来一个错误，告诉我缺少a.dll。于是请教同事并进行了调研之后，感觉学到了很多。转载一篇写的很好的lib、dll区别的博客：


共有两种库：
一种是LIB包含了函数所在的DLL文件和文件中函数位置的信息（入口），代码由运行时加载在进程空间中的DLL提供，称为动态链接库dynamic link li]]></description><category></category></item><item><title><![CDATA[windows7环境下theano安装]]></title><link>https://blog.youkuaiyun.com/davidie/article/details/48247397</link><guid>https://blog.youkuaiyun.com/davidie/article/details/48247397</guid><author>davidie</author><pubDate>Sun, 06 Sep 2015 18:05:42 +0800</pubDate><description><![CDATA[转载来源：http://blog.sina.com.cn/s/blog_96b836170102vq22.html




       要做卷积神经网络的一些东西，所以要装theano，网上很多Theano安装教程版本较老，而各安装包更新很快，参考价值有限。走了很多弯路才装好，把这个过程记录下来，希望对大家有帮助~ ~

       我的配置：win7,32位（64和32位安装步]]></description><category></category></item><item><title><![CDATA[PERL内置特殊变量]]></title><link>https://blog.youkuaiyun.com/davidie/article/details/47105597</link><guid>https://blog.youkuaiyun.com/davidie/article/details/47105597</guid><author>davidie</author><pubDate>Tue, 28 Jul 2015 15:15:21 +0800</pubDate><description><![CDATA[这几天在看PERL，想总结一下其中的内置变量，看到一个不错的总结文。


一、正则表达式特殊变量：
1、$n 　　:包含上次模式匹配的第n个子串
2、$& 　　:前一次成功模式匹配的字符串
3、$`　　 :前次匹配成功的子串之前的内容
4、$’ 　　:前次匹配成功的子串之后的内容
5、$+　　:前一次使用括号的模式匹配的字符串.

二、文件句柄特殊变量:
1、$|　　:如果设]]></description><category></category></item><item><title><![CDATA[GMM-HMM学习笔记]]></title><link>https://blog.youkuaiyun.com/davidie/article/details/46929269</link><guid>https://blog.youkuaiyun.com/davidie/article/details/46929269</guid><author>davidie</author><pubDate>Fri, 17 Jul 2015 16:31:23 +0800</pubDate><description><![CDATA[最近几天钻研了语音处理中的GMM-HMM模型，阅读了一些技术博客和学术论文，总算是对这个框架模型和其中的算法摸清了皮毛。在这里梳理一下思路，总结一下这几天学习的成果，也是为以后回顾时提高效率。
本文主要结合论文和博客资料来介绍我对GMM-HMM的理解，主要分为以下几个部分：第一个部分介绍语音识别总体框架，第二部分介绍典型的HMM结构和识别过程，第三部分介绍HMM的学习算法，最后补充介绍一些其他细]]></description><category></category></item><item><title><![CDATA[TDNN时延神经网络]]></title><link>https://blog.youkuaiyun.com/davidie/article/details/46860455</link><guid>https://blog.youkuaiyun.com/davidie/article/details/46860455</guid><author>davidie</author><pubDate>Mon, 13 Jul 2015 11:33:15 +0800</pubDate><description><![CDATA[近来在了解卷积神经网络（CNN），后来查到CNN是受语音信号处理中时延神经网络（TDNN）影响而发明的。本篇的大部分内容都来自关于TDNN原始文献【1】的理解和整理。该文写与1989年，在识别"B", "D", "G"三个浊音中得到98.5%的准确率，高于HMM的93.7%。是CNN的先驱。




普通神经网络识别音素

在讲TDNN之前先说说一般的神经网络的是怎样识别音素的吧。假]]></description><category></category></item><item><title><![CDATA[隐马尔科夫学习资料]]></title><link>https://blog.youkuaiyun.com/davidie/article/details/46860305</link><guid>https://blog.youkuaiyun.com/davidie/article/details/46860305</guid><author>davidie</author><pubDate>Mon, 13 Jul 2015 11:24:13 +0800</pubDate><description><![CDATA[学习HMM比较好的一篇文章，共分八个章节。
来源http://www.52nlp.cn/hmm-learn-best-practices-one-introduction
内容包括：



HMM学习最佳范例一：介绍
HMM学习最佳范例二：生成模式
HMM学习最佳范例三：隐藏模式
HMM学习最佳范例四：隐马尔科夫模型
HMM学习最佳范例五：前向算法
HMM学习最佳范例六：维特]]></description><category></category></item><item><title><![CDATA[EM及高斯混合模型]]></title><link>https://blog.youkuaiyun.com/davidie/article/details/46860237</link><guid>https://blog.youkuaiyun.com/davidie/article/details/46860237</guid><author>davidie</author><pubDate>Mon, 13 Jul 2015 11:20:57 +0800</pubDate><description><![CDATA[本文就高斯混合模型（GMM,Gaussian Mixture Model）参数如何确立这个问题，详细讲解期望最大化（EM,Expectation Maximization）算法的实施过程。

单高斯分布模型GSM

多维变量X服从高斯分布时，它的概率密度函数PDF为：





x是维度为d的列向量，u是模型期望，Σ是模型方差。在实际应用中u通常用样本均值来代替，Σ通常用样本方]]></description><category></category></item><item><title><![CDATA[leetcode: Divide Two Integers]]></title><link>https://blog.youkuaiyun.com/davidie/article/details/39008929</link><guid>https://blog.youkuaiyun.com/davidie/article/details/39008929</guid><author>davidie</author><pubDate>Tue, 02 Sep 2014 17:19:26 +0800</pubDate><description><![CDATA[转载来源: http://www.cnblogs.com/panda_lin/archive/2013/10/30/divide_two_integers.html

Problem: Divide two integers without using multiplication, division and mod operator.]]></description><category></category></item></channel></rss>