<?xml version="1.0" encoding="utf-8" ?><rss version="2.0"><channel><title><![CDATA[zoe的博客]]></title><description><![CDATA[]]></description><link>https://blog.youkuaiyun.com/fan3652</link><language>zh-cn</language><generator>https://blog.youkuaiyun.com/</generator><copyright><![CDATA[Copyright &copy; fan3652]]></copyright><item><title><![CDATA[ML：线性回归]]></title><link>https://blog.youkuaiyun.com/fan3652/article/details/104307806</link><guid>https://blog.youkuaiyun.com/fan3652/article/details/104307806</guid><author>fan3652</author><pubDate>Fri, 14 Feb 2020 12:39:09 +0800</pubDate><description><![CDATA[什么是线性回归？

线性回归模型就是指因变量和自变量之间的关系是直线型的。类似于一元线性回归：

给定一组数据集,

它的线性组合函数为

参考链接：线性回归预测法

什么是损失函数？

损失函数：衡量预测值与真实值之间的误差。一般采用均方误差

,其中为线性回归求解的值，为实际值

整体的均方误差为

其中

什么是优化函数？

上面所说的线性函数以及损失函数，相对来说比较简单，这类预测求解的称...]]></description><category></category></item><item><title><![CDATA[BERT语言模型]]></title><link>https://blog.youkuaiyun.com/fan3652/article/details/96432336</link><guid>https://blog.youkuaiyun.com/fan3652/article/details/96432336</guid><author>fan3652</author><pubDate>Thu, 18 Jul 2019 17:31:54 +0800</pubDate><description><![CDATA[1 Transformer原理

文章：《Attention Is All You Need》

模型架构图如下：



transformer的结构由encoder编码和decoder解码组成。

1.1 Encoder

Encoder组件部分由一堆Layer(可以理解为编码器)构成（论文中是将6个Layer叠在一起）。Decoder解码组件部分也是由相同数量（与编码器对应）的解码器（deco...]]></description><category></category></item><item><title><![CDATA[Attention原理]]></title><link>https://blog.youkuaiyun.com/fan3652/article/details/95983219</link><guid>https://blog.youkuaiyun.com/fan3652/article/details/95983219</guid><author>fan3652</author><pubDate>Mon, 15 Jul 2019 18:16:10 +0800</pubDate><description><![CDATA[1 Attention 基本原理

   神经网络中可以存储的信息量称为网络容量（Network Capacity）。一般来 讲，利用一组神经元来存储信息时，其存储容量和神经元的数量以及网络的复杂 度成正比。如果要存储越多的信息，神经元数量就要越多或者网络要越复杂，进 而导致神经网络的参数成倍地增加。

   我们人脑的生物神经网络同样存在网络容量问题，人脑中的工作记忆大概 只有几...]]></description><category></category></item><item><title><![CDATA[循环和递归神经网络]]></title><link>https://blog.youkuaiyun.com/fan3652/article/details/95615096</link><guid>https://blog.youkuaiyun.com/fan3652/article/details/95615096</guid><author>fan3652</author><pubDate>Fri, 12 Jul 2019 16:06:42 +0800</pubDate><description><![CDATA[1 循环神经网络

   循环神经网络（Recurrent Neural Network，RNN）是一类具有短期记忆能力的神经网络。在循环神经网络中，神经元不但可以接受其它神经元的信息，也可以接受自身的信息，形成具有环路的网络结构。和前馈神经网络相比，循环神经网络更加符合生物神经网络的结构。循环神经网络已经被广泛应用在语音识别、语言模型以及自然语言生成等任务上。循环神经网络的参数学习可以通过...]]></description><category></category></item><item><title><![CDATA[卷积神经网络]]></title><link>https://blog.youkuaiyun.com/fan3652/article/details/95206634</link><guid>https://blog.youkuaiyun.com/fan3652/article/details/95206634</guid><author>fan3652</author><pubDate>Tue, 09 Jul 2019 18:20:48 +0800</pubDate><description><![CDATA[1 卷积运算

   在泛函分析中，卷积是通过两个函数 f 和 g 生成第三个函数的数学运算，表征函数 f 和经过翻转，平移的 g 的乘积函数围成的曲边梯形的面积。

   连续函数卷积: 设 f(x),g(x) 是 R 上两个可积函数，作积分：

                              

 ...]]></description><category></category></item><item><title><![CDATA[神经网络基础]]></title><link>https://blog.youkuaiyun.com/fan3652/article/details/94861495</link><guid>https://blog.youkuaiyun.com/fan3652/article/details/94861495</guid><author>fan3652</author><pubDate>Sat, 06 Jul 2019 18:03:31 +0800</pubDate><description><![CDATA[人工神经网络

    人工神经网络（Artificial Neural Network，ANN）是指一系列受生物学和神 经学启发的数学模型。这些模型主要是通过对人脑的神经元网络进行抽象，构 建人工神经元，并按照一定拓扑结构来建立人工神经元之间的连接，来模拟生 物神经网络。在人工智能领域，人工神经网络也常常简称为神经网络（Neural Network，NN）或神经模型（Neural Mod...]]></description><category></category></item><item><title><![CDATA[文本表示]]></title><link>https://blog.youkuaiyun.com/fan3652/article/details/94771853</link><guid>https://blog.youkuaiyun.com/fan3652/article/details/94771853</guid><author>fan3652</author><pubDate>Fri, 05 Jul 2019 23:16:51 +0800</pubDate><description><![CDATA[文本向量化是文本表示的一种重要方式，其中词袋 Bag of Words(BOW) 和词向量Word Embedding是最常见的两种类型。

词袋模型：

   是n-gram语法模型的特例1元模型。该模型忽略掉文本的语法和语序等要素，将其仅仅看作是若干个词汇的集合，文档中每个单词的出现都是独立的。BOW使用一组无序的单词(words)来表达一段文字或一个文档。常见表示方法:one-hot...]]></description><category></category></item><item><title><![CDATA[文本分类]]></title><link>https://blog.youkuaiyun.com/fan3652/article/details/94400493</link><guid>https://blog.youkuaiyun.com/fan3652/article/details/94400493</guid><author>fan3652</author><pubDate>Mon, 01 Jul 2019 21:34:52 +0800</pubDate><description><![CDATA[1、朴素贝叶斯

原理：

理论上，概率模型分类器是一个条件概率模型：



独立变量C有若干类别，条件依赖于若干特征变量,但问题在于如果特征数量n的维度较大或者每个特征能取大量值时，基于概率模型列出概率表变得不现实。所以我们修改这个模型使之变得可行。 根据贝叶斯公式有以下式子：



或者，这样表达比较简洁明了：



其中，为先验概率，为后验概率；可以这么理解，再不知道需要预测的样本任...]]></description><category></category></item><item><title><![CDATA[文本特征选择]]></title><link>https://blog.youkuaiyun.com/fan3652/article/details/93904137</link><guid>https://blog.youkuaiyun.com/fan3652/article/details/93904137</guid><author>fan3652</author><pubDate>Thu, 27 Jun 2019 20:52:32 +0800</pubDate><description><![CDATA[一、文本特征的特点

1、特征项能够区分文章的不同

2、特征项能够表达该文章的信息

3、特征的个数选择不能太多

二、特征选择的方法

1、TF-IDF

Frequency-Inverse Document Frequency：词频(TF)-逆文档频率(IDF)，其中

词频(TF)= 某个词在文章中的出现次数 / 文章的总词数

逆文档频率(IDF)= log(语料库的文档总数 /...]]></description><category></category></item><item><title><![CDATA[文本分词]]></title><link>https://blog.youkuaiyun.com/fan3652/article/details/93412182</link><guid>https://blog.youkuaiyun.com/fan3652/article/details/93412182</guid><author>fan3652</author><pubDate>Sun, 23 Jun 2019 23:21:43 +0800</pubDate><description><![CDATA[1. 基本文本处理技能   

  英文分词，常以空格分词，中文分词较为复杂，常见方法有：正向最大、逆向最大、双向最大匹配法，这些方法是基于词典匹配而成。

正向最大：从前往后取词，每次减一个字，直至词典命中或剩下1个单字。

逆向最大：从后往前取词，每次减一个字，直至词典命中或剩下1个单子。

双向最大匹配：正向最大与逆向最大两种算法都进行一遍分词，根据词的颗粒度越大越好且单字和非字...]]></description><category></category></item><item><title><![CDATA[常见分类性能度量指标]]></title><link>https://blog.youkuaiyun.com/fan3652/article/details/93199711</link><guid>https://blog.youkuaiyun.com/fan3652/article/details/93199711</guid><author>fan3652</author><pubDate>Fri, 21 Jun 2019 16:29:46 +0800</pubDate><description><![CDATA[常见分类性能度量指标

准确率

精确率

召回率

F1 值

ROC曲线

AUC曲线

PR曲线

常见分类性能度量指标

再将这几个指标之前，先讲几个基础概念

真正(True Positive , TP)：被模型预测为正的正样本。假正(False Positive , FP)：被模型预测为正的负样本。假正(False Negative , FN)：被模型预测为负的正样本。真负(True ...]]></description><category></category></item><item><title><![CDATA[IMDB 数据集探索]]></title><link>https://blog.youkuaiyun.com/fan3652/article/details/93195774</link><guid>https://blog.youkuaiyun.com/fan3652/article/details/93195774</guid><author>fan3652</author><pubDate>Fri, 21 Jun 2019 15:42:34 +0800</pubDate><description><![CDATA[代码参考：

https://www.tensorflow.org/tutorials/keras/basic_text_classification

https://my.oschina.net/u/3800567/blog/2887156

代码存放：https://colab.research.google.com/drive/1vpo6LSRfvnUj3G4JGEKsqGCl6HGevI...]]></description><category></category></item><item><title><![CDATA[Django: ConnectionAbortedError: [WinError 10053] An established connection was aborted by the softwa]]></title><link>https://blog.youkuaiyun.com/fan3652/article/details/91490937</link><guid>https://blog.youkuaiyun.com/fan3652/article/details/91490937</guid><author>fan3652</author><pubDate>Wed, 12 Jun 2019 10:27:32 +0800</pubDate><description><![CDATA[管理员权限打开cmd


C:\Windows\system32:chcp 1252

来源于：https://stackoverflow.com/questions/54465300/django-connectionabortederror-winerror-10053-an-established-connection-was-a
]]></description><category></category></item><item><title><![CDATA[第九章 混合推荐方法]]></title><link>https://blog.youkuaiyun.com/fan3652/article/details/89604013</link><guid>https://blog.youkuaiyun.com/fan3652/article/details/89604013</guid><author>fan3652</author><pubDate>Sat, 27 Apr 2019 17:04:09 +0800</pubDate><description><![CDATA[]]></description><category></category></item><item><title><![CDATA[第八章 基于知识的推荐方法]]></title><link>https://blog.youkuaiyun.com/fan3652/article/details/89601141</link><guid>https://blog.youkuaiyun.com/fan3652/article/details/89601141</guid><author>fan3652</author><pubDate>Sat, 27 Apr 2019 14:15:09 +0800</pubDate><description><![CDATA[]]></description><category></category></item><item><title><![CDATA[第七章 基于内容的推荐方法]]></title><link>https://blog.youkuaiyun.com/fan3652/article/details/89598385</link><guid>https://blog.youkuaiyun.com/fan3652/article/details/89598385</guid><author>fan3652</author><pubDate>Sat, 27 Apr 2019 10:19:38 +0800</pubDate><description><![CDATA[基础CB推荐算法流程图


]]></description><category></category></item><item><title><![CDATA[第六章 协同过滤推荐算法]]></title><link>https://blog.youkuaiyun.com/fan3652/article/details/89598367</link><guid>https://blog.youkuaiyun.com/fan3652/article/details/89598367</guid><author>fan3652</author><pubDate>Sat, 27 Apr 2019 10:18:33 +0800</pubDate><description><![CDATA[]]></description><category></category></item><item><title><![CDATA[第五章 视频推荐概述]]></title><link>https://blog.youkuaiyun.com/fan3652/article/details/89496303</link><guid>https://blog.youkuaiyun.com/fan3652/article/details/89496303</guid><author>fan3652</author><pubDate>Wed, 24 Apr 2019 16:18:32 +0800</pubDate><description><![CDATA[]]></description><category></category></item><item><title><![CDATA[第四章 用户画像管理]]></title><link>https://blog.youkuaiyun.com/fan3652/article/details/89477416</link><guid>https://blog.youkuaiyun.com/fan3652/article/details/89477416</guid><author>fan3652</author><pubDate>Tue, 23 Apr 2019 17:36:07 +0800</pubDate><description><![CDATA[]]></description><category></category></item><item><title><![CDATA[第三章 群体用户画像分析]]></title><link>https://blog.youkuaiyun.com/fan3652/article/details/88975504</link><guid>https://blog.youkuaiyun.com/fan3652/article/details/88975504</guid><author>fan3652</author><pubDate>Tue, 23 Apr 2019 14:23:49 +0800</pubDate><description><![CDATA[用户画像作为目标用户的标签化，不仅仅用来分析目标用户，还应该包含用户间的关联分析，即群体用户画像分析。

一个系统一般会选取3~6个用户群来代表系统可能会面向的用户，优先满足核心用户群的需求，进一步在不存在冲突的情况下，尽量满足次要用户群的需求。

云模型 原始文献以及参考文献

隶属云和隶属云发生器

论正态云模型的普适性

正态云模型的统计分析




...]]></description><category></category></item></channel></rss>