Li Kang 笔记本

这是俄罗斯高等经济学院的系列课程第一门，Introduction to Advanced Machine Learning，第一周编程作业。 这个作业一共六个任务，难易程度：容易。 1. 计算probability 2. 计算loss function 3. 计算stochastic gradient 4. 计算mini-batch gradient 5. 计算momentum gra...

这是俄罗斯高等经济学院的系列课程第四门，Natural language processing，第一周编程作业。任务是利用**BOW**(bag of words)模型和TF-IDF( term frequency- inverse document frequency)模型对数据进行建模。本节作业的数据来自stackoverflow。建模之后开始学习从title到tags的映射关系。这个作业一共三个部分，难易程度：简单。1. Text preparation & wordsTags c

这是俄罗斯高等经济学院的系列课程第一门，Introduction to Advanced Machine Learning，第六周编程作业。任务是利用pre-trained InceptionV3架构对图片进行编码，这个是预先训练好的架构。我们要使用的是通过这个编码训练一个RNN，来生成图片的标题，即描述图片的内容。其原理和机器翻译类似，相当于训练一个sequence model，输入和输出是不等长的。而这里输入是CNN的编码，输出是RNN的译码。

这是俄罗斯高等经济学院的系列课程第一门，Introduction to Advanced Machine Learning，第三周编程作业。任务是利用pre-trained InceptionV3架构，使用花朵分类训练集，经过fine tune之后，能够用于花朵的识别。

这是俄罗斯高等经济学院的系列课程第一门，Introduction to Advanced Machine Learning，第二周荣誉作业，任务是仅仅基于numpy建立一个NN，对MNIST图片进行识别。 本次作业只有一个任务，难易程度：中等。 Your very own neural networkIn this notebook, we’re going to build a ne...

这是俄罗斯高等经济学院的系列课程第一门，Introduction to Advanced Machine Learning，第五周第一个编程作业，目的是通过训练一个language model，用来生成名字。

Operations on word vectorsWelcome to your first assignment of this week! Because word embeddings are very computionally expensive to train, most ML practitioners will load a pre-trained set of emb...

这是俄罗斯高等经济学院的系列课程第一门，Introduction to Advanced Machine Learning，第四周第一个编程作业。 这个作业一共四个任务，难易程度：容易。 0. 使用dense做autoencoder，不用写代码。MSE为0.0065。 1. 使用conv+pool做autoencoder，评分部分。MSE为0.0056。在同样的codesize下，con...

自动表情符号在这个练习中，首先要完成基准模型Emojifier-V1，仅仅使用word embeddings，通过输入的句子输出一个表情符号。这个模型无法识别单词的顺序和复杂的句子结构。然后将会结合LSTM来建立一个更加复杂的模型Emojifier-V2.第一部分的总结即使只有127个training examples，我们仍然能够得到一个相当好的模型。这得益于word vect...

这是俄罗斯高等经济学院的系列课程第一门，Introduction to Advanced Machine Learning，第二周第一个编程作业。 这个作业一共两个任务，难易程度：容易。 1. 熟悉TensorFlow，计算RMS 2. 使用Logistic Regress对MNIST图片进行分类，是一个二元分类问题。Going deeper with TensorflowI...

这是HSE系列课程第一门，Introduction to Advanced Machine Learning. 第二周第二个编程作业，难易程度：中等。 使用TensorFlow对MNIST数据集图片进行分类，是一个多类分类问题。 本篇笔记对这个任务分成三个部分。 1. 实现一个二类分类问题 2. 实现一个多类分类问题，使用softmax回归，没有隐层。 3. 实现一个多类分类问题，使...

使用RNN来解决命名实体识别（NER）是NLP的常见问题。它能够将文字中的实体提取出来，比如人名，组织，地名等。这次作业的训练集来自Twitter，使用的结构是Bi-Directional Long Short-Term Memory Networks (Bi-LSTMs)。作业可以分成三个部分。