<?xml version="1.0" encoding="utf-8" ?><rss version="2.0"><channel><title><![CDATA[龙心尘]]></title><description><![CDATA[专注深度学习研发与应用]]></description><link>https://blog.youkuaiyun.com/longxinchen_ml</link><language>zh-cn</language><generator>https://blog.youkuaiyun.com/</generator><copyright><![CDATA[Copyright &copy; longxinchen_ml]]></copyright><item><title><![CDATA[应用算法串讲1：计算复杂度优化与组合优化]]></title><link>https://blog.youkuaiyun.com/longxinchen_ml/article/details/113814896</link><guid>https://blog.youkuaiyun.com/longxinchen_ml/article/details/113814896</guid><author>longxinchen_ml</author><pubDate>Thu, 25 Feb 2021 08:21:16 +0800</pubDate><description><![CDATA[现在算法的种类已经非常多了，为了避免混淆，本文尝试串讲一下各个算法在思想上的区别与联系。这其实是前文《算法工程师大概是做什么的？》的进阶版。首先还是框架图镇楼。
最优化的一些简化约定
最优化是一种非常简单直观的分析思路，本身就从最优化的视角去串讲各个算法。
一般来说，最优化是指：在有限的约束条件的下控制一些自变量使得目标（因变量）达到最大值（或最小值）的问题。所以它有以下3个核心概念：

目标（因变量）： F(x)
自变量（控制条件）：x
约束：g(x) = 0

目标优化函数极大程度决定了算法种类。一般*]]></description><category></category></item><item><title><![CDATA[算法工程师大致是做什么的]]></title><link>https://blog.youkuaiyun.com/longxinchen_ml/article/details/113074403</link><guid>https://blog.youkuaiyun.com/longxinchen_ml/article/details/113074403</guid><author>longxinchen_ml</author><pubDate>Mon, 25 Jan 2021 22:37:39 +0800</pubDate><description><![CDATA[作者： 龙心尘
时间：2021年1月
出处：https://blog.youkuaiyun.com/longxinchen_ml/article/details/113074403
其实这是一个不太好解释的问题，因为并没有一个完整的定义。笔者在算法领域这些年遇到了不少做算法的同行，发现各自的差别还是很大的，工作侧重点甚至思维方式都不同。为了给刚入门的朋友介绍得清晰一些，这里就简单串一串我遇到的不同的算法。
算法与非算法的区别
一般来说，可以把编程工作分为两种，一种是面向实现的，一种是面向优化的。前者如实现一个功能、搭建]]></description><category></category></item><item><title><![CDATA[【视频】超越BERT的最强中文NLP预训练模型艾尼ERNIE官方揭秘]]></title><link>https://blog.youkuaiyun.com/longxinchen_ml/article/details/102618720</link><guid>https://blog.youkuaiyun.com/longxinchen_ml/article/details/102618720</guid><author>longxinchen_ml</author><pubDate>Fri, 18 Oct 2019 09:04:19 +0800</pubDate><description><![CDATA[分章节视频链接：http://abcxueyuan.cloud.baidu.com/#/course_detail?id=15076&amp;courseId=15076
完整视频链接：http://play.itdks.com/watch/8591895

艾尼（ERNIE）是目前NLP领域的最强中文预训练模型。
百度资深研发工程师龙老师，通过直播带开发者走近最强中文NLP预训练模型ERNI...]]></description><category></category></item><item><title><![CDATA[【视频】技术分享：PaddleNLP工业级开源工具集介绍与核心技术剖析(百度AI开发者大会)]]></title><link>https://blog.youkuaiyun.com/longxinchen_ml/article/details/102406121</link><guid>https://blog.youkuaiyun.com/longxinchen_ml/article/details/102406121</guid><author>longxinchen_ml</author><pubDate>Tue, 08 Oct 2019 20:19:54 +0800</pubDate><description><![CDATA[PaddleNLP是飞桨开源的产业级NLP工具与预训练模型集，提供了依托于百度实际产品打磨，通过百亿级大数据训练的预训练模型，能够极大地方便 NLP 研究者和工程师快速应用。使用者可以用PaddleNLP 快速实现文本分类、词法分析、相似度计算、语言模型、文本生成、阅读理解和问答、对话系统以及语义表示8大类任务，并且可以直接使用百度开源工业级预训练模型进行快速应用。用户在极大地减少研究和开发成本...]]></description><category></category></item><item><title><![CDATA[图解Word2vec]]></title><link>https://blog.youkuaiyun.com/longxinchen_ml/article/details/89077048</link><guid>https://blog.youkuaiyun.com/longxinchen_ml/article/details/89077048</guid><author>longxinchen_ml</author><pubDate>Mon, 08 Apr 2019 08:58:57 +0800</pubDate><description><![CDATA[作者： 龙心尘
时间：2019年4月
出处：https://blog.youkuaiyun.com/longxinchen_ml/article/details/89077048
审校：龙心尘
作者：Jay Alammar
编译：张秋玥、毅航、高延

嵌入（embedding）是机器学习中最迷人的想法之一。 如果你曾经使用Siri、Google Assistant、Alexa、Google翻译，甚至智能手机键...]]></description><category></category></item><item><title><![CDATA[深入理解BERT Transformer ，不仅仅是注意力机制]]></title><link>https://blog.youkuaiyun.com/longxinchen_ml/article/details/89058309</link><guid>https://blog.youkuaiyun.com/longxinchen_ml/article/details/89058309</guid><author>longxinchen_ml</author><pubDate>Sat, 06 Apr 2019 17:47:51 +0800</pubDate><description><![CDATA[作者： 龙心尘
时间：2019年3月
出处：https://blog.youkuaiyun.com/longxinchen_ml/article/details/89058309
大数据文摘与百度NLP联合出品
作者：Damien Sileo
审校：百度NLP、龙心尘
编译：张驰、毅航
为什么BERT模型这么重要
BERT是google最近提出的一个自然语言处理模型，它在许多任务检测上表现非常好。如：问答、自...]]></description><category></category></item><item><title><![CDATA[用可视化解构BERT，我们从上亿参数中提取出了6种直观模式]]></title><link>https://blog.youkuaiyun.com/longxinchen_ml/article/details/89036531</link><guid>https://blog.youkuaiyun.com/longxinchen_ml/article/details/89036531</guid><author>longxinchen_ml</author><pubDate>Thu, 04 Apr 2019 22:51:19 +0800</pubDate><description><![CDATA[作者： 龙心尘
时间：2019年1月
出处：https://blog.youkuaiyun.com/longxinchen_ml/article/details/89036531
大数据文摘联合百度NLP出品
审校：百度NLP、龙心尘
编译：Andy，张驰
来源：towardsdatascience.com
https://blog.youkuaiyun.com/longxinchen_ml/article/detail...]]></description><category></category></item><item><title><![CDATA[NLP系列(6)_从NLP反作弊技术看马蜂窝注水事件]]></title><link>https://blog.youkuaiyun.com/longxinchen_ml/article/details/84205459</link><guid>https://blog.youkuaiyun.com/longxinchen_ml/article/details/84205459</guid><author>longxinchen_ml</author><pubDate>Sun, 18 Nov 2018 21:50:10 +0800</pubDate><description><![CDATA[按：本文基于网易云课堂公开课分享内容整理补充完成。感谢志愿者july同学的贡献。
10月21日，朋友圈被一篇名为《估值175亿的旅游独角兽，是一座僵尸和水军构成的鬼城？》的文章刷屏。文章作者小声比比指控在线旅游网站马蜂窝存在点评大量造假的情况，包括从其他网站如大众点评、携程等抓取相关点评，及通过水军撰写虚拟点评。
文章吸引了包括本人在内的大量吃瓜群众的眼球。毕竟一家估值175亿的互联网公司被这么多...]]></description><category></category></item><item><title><![CDATA[从FM推演各深度CTR预估模型(附代码)]]></title><link>https://blog.youkuaiyun.com/longxinchen_ml/article/details/81031736</link><guid>https://blog.youkuaiyun.com/longxinchen_ml/article/details/81031736</guid><author>longxinchen_ml</author><pubDate>Fri, 13 Jul 2018 15:04:34 +0800</pubDate><description><![CDATA[作者： 龙心尘 &amp;amp;amp;amp;amp;amp;amp;amp;&amp;amp;amp;amp;amp;amp;amp;amp; 寒小阳 
时间：2018年7月

声明：版权所有，转载请联系作者并注明出处。本文代码部分参考了lambda等同学的tensorflow实现，在此向原作者表示感谢。

注：本文根据作者在公司内训讲稿整理而成。

多年以后，当资深算法专家们看着无缝对接用户需求的广告收入节节攀升时，他们可能会想起自己之前痛苦推导FM与深度学习公式的某个夜晚……——题记]]></description><category></category></item><item><title><![CDATA[计算广告小窥[下]要啥自行车！]]></title><link>https://blog.youkuaiyun.com/longxinchen_ml/article/details/52332454</link><guid>https://blog.youkuaiyun.com/longxinchen_ml/article/details/52332454</guid><author>longxinchen_ml</author><pubDate>Fri, 26 Aug 2016 22:58:18 +0800</pubDate><description><![CDATA[一是总结自己已掌握的知识，二是降低同学们的学习成本。本人能力有限，更缺乏实践经验，文章内容多为书籍和论文的读后感，若有不当或者错误之处，还望各位同学指出，我定悉心求教。在此，向编写《计算广告》的刘鹏和王超两位老师致谢，向各位paper作者致谢。]]></description><category></category></item><item><title><![CDATA[深度学习与自然语言处理(8)_斯坦福cs224d RNN，MV-RNN与RNTN]]></title><link>https://blog.youkuaiyun.com/longxinchen_ml/article/details/52075519</link><guid>https://blog.youkuaiyun.com/longxinchen_ml/article/details/52075519</guid><author>longxinchen_ml</author><pubDate>Sat, 30 Jul 2016 22:22:29 +0800</pubDate><description><![CDATA[这篇课堂笔记将介绍不同类型的RNN（递归神经网络），并介绍它在NLP领域的应用和优势。]]></description><category></category></item><item><title><![CDATA[深度学习与自然语言处理(7)_斯坦福cs224d 语言模型，RNN，LSTM与GRU]]></title><link>https://blog.youkuaiyun.com/longxinchen_ml/article/details/51940065</link><guid>https://blog.youkuaiyun.com/longxinchen_ml/article/details/51940065</guid><author>longxinchen_ml</author><pubDate>Mon, 18 Jul 2016 10:50:02 +0800</pubDate><description><![CDATA[本文为斯坦福大学CS224d课程的中文版内容笔记，已得到斯坦福大学课程@Richard Socher教授的授权翻译与发表]]></description><category></category></item><item><title><![CDATA[深度学习与自然语言处理(6)_斯坦福cs224d 一起来学Tensorflow part1]]></title><link>https://blog.youkuaiyun.com/longxinchen_ml/article/details/51823339</link><guid>https://blog.youkuaiyun.com/longxinchen_ml/article/details/51823339</guid><author>longxinchen_ml</author><pubDate>Sun, 10 Jul 2016 15:21:04 +0800</pubDate><description><![CDATA[Tensorflow是Google提供资金研发的，比较全，支持分布式，同时有Google这样的亲爹在，我猜资源倾斜也是迟早的事情。今天的重点自然是Tensorflow，其他的框架也都很好，大家可以自行尝试。]]></description><category></category></item><item><title><![CDATA[深度学习与自然语言处理(5)_斯坦福cs224d 大作业测验2与解答]]></title><link>https://blog.youkuaiyun.com/longxinchen_ml/article/details/51814343</link><guid>https://blog.youkuaiyun.com/longxinchen_ml/article/details/51814343</guid><author>longxinchen_ml</author><pubDate>Sun, 03 Jul 2016 18:50:13 +0800</pubDate><description><![CDATA[原本打算把作业和答案做个编排，一起发出来给大家看，无奈代码量有点大，贴上来以后文章篇幅过长，于是乎题目的代码解答放到了百度云盘，欢迎自行下载和运行或者调整。]]></description><category></category></item><item><title><![CDATA[深度学习与自然语言处理(4)_斯坦福cs224d 大作业测验1与解答]]></title><link>https://blog.youkuaiyun.com/longxinchen_ml/article/details/51765418</link><guid>https://blog.youkuaiyun.com/longxinchen_ml/article/details/51765418</guid><author>longxinchen_ml</author><pubDate>Mon, 27 Jun 2016 00:44:09 +0800</pubDate><description><![CDATA[前面一个接一个的Lecture，看得老衲自己也是一脸懵逼，不过你以为你做一个安安静静的美男子(总感觉有勇气做deep learning的女生也是一条汉纸)就能在Stanford这样的学校顺利毕业啦？图样图森破，除掉极高的内容学习梯度，这种顶尖大学的作业和考试一样会让你突(tong)飞(bu)猛(yu)进(sheng)。]]></description><category></category></item><item><title><![CDATA[深度学习与自然语言处理(3)_斯坦福cs224d Lecture 3]]></title><link>https://blog.youkuaiyun.com/longxinchen_ml/article/details/51711172</link><guid>https://blog.youkuaiyun.com/longxinchen_ml/article/details/51711172</guid><author>longxinchen_ml</author><pubDate>Sun, 19 Jun 2016 09:32:00 +0800</pubDate><description><![CDATA[这是斯坦福CS224d深度学习与自然语言处理的第3课，这节课先会介绍单层和多层神经网络和它们在机器学习分类任务中的应用， 接着介绍如何利用反向传播算法来训练这些神经网络模型（在这个方法中，我们将利用偏导数的链式法则来层层更新神经元参数）。在给出神经网络以及这些算法严谨的数学定义后，介绍了训练神经网络的一些实用的技巧和窍门。]]></description><category></category></item><item><title><![CDATA[斯坦福cs224d（深度学习在自然语言处理上的应用）Lecture 2]]></title><link>https://blog.youkuaiyun.com/longxinchen_ml/article/details/51648532</link><guid>https://blog.youkuaiyun.com/longxinchen_ml/article/details/51648532</guid><author>longxinchen_ml</author><pubDate>Sun, 12 Jun 2016 19:33:42 +0800</pubDate><description><![CDATA[这个课堂笔记我们将会对词向量（也就是词嵌入）的内部任务评价和外部任务评价方法进行讨论。主要的内容是单词类比(word analogies)技术,我们会把它当做内部任务评价的技术并展示其相关示例，它会在词向量的调谐（tune）中发挥重要作用。我们还会讨论如何训练模型的权重／参数，并关注用来进行外部任务评价的词向量。最后，我们会简单地介绍人工神经网络，它在自然语言处理中表现极好。]]></description><category></category></item><item><title><![CDATA[斯坦福大学CS224d基础1：线性代数知识]]></title><link>https://blog.youkuaiyun.com/longxinchen_ml/article/details/51629328</link><guid>https://blog.youkuaiyun.com/longxinchen_ml/article/details/51629328</guid><author>longxinchen_ml</author><pubDate>Fri, 10 Jun 2016 23:46:54 +0800</pubDate><description><![CDATA[本文为斯坦福CS229的内容，也是CS224d课程的背景数学知识。概括了在机器学习和深度学习中用到的大部分线性代数知识。为了便于大家查漏补缺，这里根据英文版本整理了一个中文版本。]]></description><category></category></item><item><title><![CDATA[深度学习与自然语言处理(1)_斯坦福cs224d Lecture 1]]></title><link>https://blog.youkuaiyun.com/longxinchen_ml/article/details/51567960</link><guid>https://blog.youkuaiyun.com/longxinchen_ml/article/details/51567960</guid><author>longxinchen_ml</author><pubDate>Thu, 02 Jun 2016 16:13:14 +0800</pubDate><description><![CDATA[本文为斯坦福大学CS224d课程的中文版内容笔记，已得到斯坦福大学课程@Richard Socher教授的授权翻译与发表]]></description><category></category></item><item><title><![CDATA[能模仿韩寒小四写作的神奇循环神经网络]]></title><link>https://blog.youkuaiyun.com/longxinchen_ml/article/details/51253526</link><guid>https://blog.youkuaiyun.com/longxinchen_ml/article/details/51253526</guid><author>longxinchen_ml</author><pubDate>Tue, 26 Apr 2016 20:07:41 +0800</pubDate><description><![CDATA[作者：寒小阳 &amp;amp;&amp;amp; 龙心尘 
时间：2016年4月  
出处： 
http://blog.youkuaiyun.com/han_xiaoyang/article/details/51253274 
http://blog.youkuaiyun.com/longxinchen_ml/article/details/51253526 
声明：版权所有，转载请联系作者并注明出处 
特别鸣谢：北京大学焦剑博士对R...]]></description><category></category></item></channel></rss>