村头陶员外的博客

元素：数据中最小单位样本：大型数据集中一个子集总体：一个大型数据集NNN（或者nnn）：一般用NNN表示总体规模，nnn表示样本规模随机抽样：从总体中抽取元素到子集中分层抽样：对总体分层，并在每层中做随机抽样样本偏差：样本对总体作出了错误的估计xˉ\bar{x}xˉμ\muμ样本统计量：对抽取自大规模总体中的样本做计算，所得到的一些度量值，比如均值，方差等统计量数据分布：单个元素在数据集上的频数分布。

本次要总结的是条件随机场(CRF)相关知识

从本篇博文开始总结NLPNLP相关知识。概率语言模型(StatisticalLanguageModel)(Statistical\ Language\ Model)p(sentence)=p(w1,w2,..,wn){p}(sentence)={p}({w}_{1},{w}_{2},..,{w}_{n})∑sentence∈Lp(sentence)=1\sum_{sentence\in L}^{

本篇博文将总结NLPNLP 里面的embeddingembedding，word2vectorword2vector，以及NNLMNNLM 的简介。embedding在一般任务中，我们总是非常自然的用特征值来表示一个词汇。但是，到底怎么样表示一个词，才是最合理的？ 存储其ASCIIASCII 码表示，只会告诉你这个词是什么，并不能表示这个词真正的语义（也许你可以从这个词的词缀中获得该词的词性或其他属

之前总结过RNNLMRNNLM，是一个SequenceModel，其结构类似如下：这里面是一个一个的输出。我们如果以这种方式做机器翻译，每一个时刻输入一个词，相应的翻译一个词，显然这种一个一个单词的翻译方式不是很好，因为没有联系上下文进行翻译。我们希望先把一整句话喂给模型，然后模型在这一个整句的角度上来进翻译。这样翻译的效果更好。所以本篇博文要总结的是Seq2Seq Model，给出一个完整的句子，

本篇博文将详细总结RNNLMRNNLM 的原理以及如何在tensorflowtensorflow 上实现RNNLMRNNLM。我们要实现的网络结构如下：数据预处理创建vocabvocab分词：将句子中的每个单词以空格，符号分开，形成一个单词列表def blank_tokenizer(sentence): ##以空格对句子进行切分 return sentence.strip().spl

本篇博文分享和总结下论文Learning to Rank:From Pairwise Approach&nbsp

本篇博文将详细总结隐马模型相关知识，理解该模型有一定的难度，在此浅薄的谈下自己的理解。HMM定义HMMHMMHMM 是关于时序的概率模型，描述由一个隐藏的马尔科夫链生成不可观测的状态随机序列，再由各个状态生成观测随机序列的过程。隐马尔科夫模型随机生成的状态随机序列，称为状态序列；每个状态生成一个观测，由此产生的观测随机序列,称为观测序列。序列的每个位置可看做是一个时刻。上图中的...