Google黑板报数学之美系列

最新推荐文章于 2025-12-02 09:06:09 发布

转载最新推荐文章于 2025-12-02 09:06:09 发布 · 733 阅读

文章标签：

#google #网络爬虫 #自然语言处理 #语言 #搜索引擎 #制造

学习心得专栏收录该内容

2 篇文章

订阅专栏

本文精选了数学之美系列文章中的核心内容，涵盖了统计语言模型、隐含马尔可夫模型、信息论等主题，深入浅出地介绍了这些理论在搜索引擎、自然语言处理等领域的应用。

部署运行你感兴趣的模型镜像

文章出自：google中国黑板报，作者：吴军

数学之美系列一 -- 统计语言模型

数学之美系列二 -- 谈谈中文分词

数学之美系列三 -- 隐含马尔可夫模型在语言处理中的应用

数学之美系列四 -- 怎样度量信息?

数学之美系列五 -- 简单之美：布尔代数和搜索引擎的索引

数学之美系列六 -- 图论和网络爬虫 (Web Crawlers)

数学之美系列七 -- 信息论在信息处理中的应用

数学之美系列八 -- 贾里尼克的故事和现代语言处理

数学之美系列九 -- 如何确定网页和查询的相关性

数学之美系列十有限状态机和地址识别

数学之美系列十一 - Google 阿卡 47 的制造者阿米特.辛格博士

数学之美系列十二 - 余弦定理和新闻的分类

数学之美系列十三信息指纹及其应用

数学之美十四谈谈数学模型的重要性

数学之美系列十五繁与简自然语言处理的几位精英

您可能感兴趣的与本文相关的镜像

Linly-Talker

AI应用

Linly-Talker是一款创新的数字人对话系统，它融合了最新的人工智能技术，包括大型语言模型（LLM）、自动语音识别（ASR）、文本到语音转换（TTS）和语音克隆技术

确定要放弃本次机会？

福利倒计时

: :

立减 ¥

普通VIP年卡可用

立即使用

simon_new88

关注关注

0
点赞
踩
0

收藏

觉得还不错? 一键收藏
0
评论
分享

复制链接

分享到 QQ

分享到新浪微博

扫一扫
举报

举报

专栏目录

Google 黑板报 -- 数学之美系列

tattarrattat的专栏

12-21

5656

Google 黑板报 -- 数学之美系列Google 黑板报 -- 数学之美系列一 -- 统计语言模型 Google 黑板报 -- 数学之美系列二 -- 谈谈中文分词 Google 黑板报 -- 数学之美系列三 -- 隐含马尔可夫模型在语言处理中的应用 Google 黑板报 -- 数学之美系列四 -- 怎样度量信息 Google 黑板报 -- 数学之美系列五 -

谷歌黑板报

11-22

### 谷歌黑板报：数学之美——深入探索IT领域的数学应用 #### 统计语言模型：开启自然语言处理的钥匙统计语言模型作为自然语言处理(NLP)的基石，其重要性不可小觑。它通过计算词序列的概率来评估句子的合理性，...

参与评论您还未登录，请先登录后发表或查看评论

Google黑板报－数学之美系列

程序人生

04-08

2263

来自 Google黑板报数学之美系列一 — 统计语言模型数学之美系列二 — 谈谈中文分词数学之美系列三 — 隐含马尔可夫模型在语言处理中的应用数学之美系列四 — 怎样度量信息? 数学之美系列五 — 简单之美：布尔代数和搜索引擎的索引数学之美系列六 — 图论和网络爬虫 (Web Crawlers) 数学之美系列七 — 信息论在信息处理中的应用数学之美系列八 — 贾里尼克的故事和现代语言

Google黑板报 －数学之美系列

I am Peter Chen

02-26

938

数学之美系列二十四从全球导航到输入法——谈谈动态规划数学之美系列二十三输入一个汉字需要敲多少个键 — 谈谈香农第一定律数学之美系列二十二由电视剧“暗算”所想到的 — 谈谈密码学的数学原理数学之美系列二十一－布隆过滤器（Bloom Filter）数学之美系列二十－自然语言处理的教父马库斯数学之美系列十九－马

数学之美系列好文，强烈推荐

热门推荐

Together_CZ的博客

04-22

2万+

转自：http://www.cnblogs.com/KevinYang/archive/2009/02/01/1381783.html 数学之美系列一 -- 统计语言模型 2006年4月3日上午 08:15:00 发表者: 吴军, Google 研究员前言也许大家不相信，数学是解决信息检索和自然语言处理的最好工具。它能非常清晰地描述这些领域的实际问

Google 数学之美系列整理

pinuo的专栏

12-12

1万+

摘自自 Google黑板报。 07年的时候读完了google黑板报的这个系列的文章，正好教研室里做的事情是搜索引擎相关的，分词、关键字权重计算、索引等等，都是当时组里会用到的。也符合自己的工程要做的学术点的思路，在做项目中能挖掘学习些东西，这样才会更充实。现在已经用得比较少了，但是还是愿意整理下，复习下。可以体会到新的东西。

Google黑板报数学之美系列

只谈技术

07-03

1502

发表者：Google 研究员，吴军 1. 统计语言模型 2. 谈谈中文分词3. 隐含马尔可夫模型在语言处理中的应用 4. 怎样度量信息 5. 简单之美：布尔代数和搜索引擎的索引 6. 图论和网络爬虫 (Web Crawlers) 7. 信息论在信息处理中的应用 8. 贾里尼克的故事和现代语言处理 9. 如何确定网页和查询的相关性 10. 有限状态机和地址

谷歌黑板报：数学美系列探索信息技术应用

《谷歌黑板报》是一系列关于数学在信息技术领域，尤其是信息检索和自然语言处理中的应用的文章合集。该系列由Google研究员吴军撰写，自2006年4月3日起定期发布，旨在展示数学在解决实际问题中的力量和美学价值。以下...

数学之美：谷歌技术解析

"谷歌黑板报是一系列介绍数学在信息技术，特别是信息检索和自然语言处理中应用的文章。作者吴军，曾任Google研究员，通过‘数学之美’系列分享了数学在统计语言模型、中文分词、隐含马尔可夫模型、信息度量、布尔...

数学之美系列完整版（最新全集列表）

happylife1527的专栏

10-23

3963

数学之美——google大脑和人工神经网络

qq401466399的专栏

06-02

3875

人工神经网络可用于解决：分类问题。人工神经网络设计：结构（网络分几层，每层几个节点，节点之间如何连接）非线性函数f的设计，常用指数函数。人工神经网络的训练1.监督训练 - 假设成本函数C：训练的输出值与实际输出值的差距（例如定义为欧几里得距离）将训练人工神经网络的问题转化为最优化问题。 -解决最优化问题的常用方法是：梯度下降法训练数据+成本函数C 2. 无监督训练 -定

Hello-Agents —— 03大语言模型基础通俗总结

weixin_45644347的博客

11-29

1121

本文系统介绍了大语言模型的基础知识和发展历程。首先讲解了从N-gram到神经网络的演进过程，分析了RNN/LSTM的优缺点。重点解析了Transformer的核心组件，包括自注意力机制、多头注意力和位置编码，并对比了三种主流架构。最后详细介绍了与大模型交互的技巧，包括采样参数设置、提示工程方法和分词技术，为理解和使用大语言模型提供了全面指导。

大语言模型进阶（一）之大语言模型基础

最新发布

qq_22341693的博客

12-02

732

本文系统剖析了大语言模型（LLM）的技术基础，重点阐述了Transformer架构的核心机制及其演进。首先解析了Transformer的解码器结构，包括嵌入表示层、注意力层（特别是多头注意力和因果注意力）、前馈网络以及残差连接与层归一化等关键组件。随后介绍了GPT模型的生成式预训练范式，包括无监督预训练和有监督微调两阶段方法。接着以LLaMA为例，详细探讨了现代大语言模型的结构优化，包括前置RMSNorm、SwiGLU激活函数、旋转位置编码(RoPE)以及分组查询注意力(GQA)等创新技术。最后从实践角度提

wxzuobi的博客

11-30

239

随着Transformer架构在自然语言处理领域的革命性突破，该公司在2019年开源了Transformers库，这个举措使其迅速成为NLP领域的事实标准。它的平台提供了海量的开源预训练模型、数据集和在线工具，特别适合快速原型开发和模型部署。而OpenMMLab则以其专业性和系统性见长，它提供了一整套模块化、高质量的代码库，非常适合进行计算机视觉的深入研究和算法开发。Hugging Face和OpenMMLab就是在这样的背景下诞生的两个重要平台，它们虽然都致力于推动AI技术的发展，但侧重点各不相同。

AI核心知识25——大语言模型之RAG（简洁且通俗易懂版）

学习AI中...

11-30

799

RAG（检索增强生成）被誉为治疗大模型“幻觉”的特效药。它通过给大模型外挂一个“实时图书馆”，将其工作模式从全靠记忆的“闭卷考试”转变为有据可查的“开卷考试”。其工作流程包含三步：首先检索外部知识库中的相关段落；其次将资料与问题结合进行增强；最后由大模型基于事实生成回答。RAG完美解决了传统大模型数据滞后、无法访问私有数据及胡编乱造的三大痛点。相比昂贵的微调（Fine-tuning），RAG具有成本低、更新快的优势，是目前90%企业级应用（如客服、文档助手）的首选技术方案。

微论-自成长系统引发的NLP新生

小召的专栏--百汇电脑学校(www.i5school.com)

12-01

883

然而，在这繁荣的表象背后，一个根本性的隐忧始终存在，正如我们所洞察的：这些模型从庞大的语料库中学习，却从未有过真实的“体验”。一个扎根于体验的系统，才有可能像人类一样，将“时间流逝”的抽象概念与“河流奔涌”的视觉体验进行深层次类比，创作出真正富有洞察力和感染力的诗歌与故事，而非简单的语料重组。1. 动作与概念的绑定：系统通过传感器“看到”一个球，发出指令控制机械臂“去拿”，在成功触碰到球的反馈中，开始将“球”、“拿”、“圆形”、“滚动”等概念与具体的动作成功和感官反馈紧密绑定。轻轻碰它，则只移动一点点。

【人工智能】AI 人工智能技术学习路径分析 ③ ( NLP 自然语言处理 )

让学习成为一种习惯 ( 韩曙亮の技术博客 )

11-30

1138

一、第五步 : NLP 自然语言处理 1、学习目标 3、入门阶段 - 文本预处理 ① 语言基础与 NLP 认知 ② 文本预处理 ③ 传统 NLP 工具与基础模型 4、进阶阶段 - 深度学习与 Transformer ① 词向量 ② 序列模型 ③ Transformer 架构 ④ 预训练模型 5、实战阶段 - 工程落地 ① 工程任务类型 ② 工程核心开发工具 ③ 工程部署与优化

AI核心知识23——大语言模型之System Prompt（简洁且通俗易懂版）

学习AI中...

11-29

860

System Prompt是AI模型的“角色剧本”，作为最高优先级指令在对话前设定。它决定了AI的角色定位、回答方式和禁忌范围，类似导演给演员讲戏。技术上，System Prompt位于API调用的首位，具备三大功能：确立角色、设定安全边界、规定输出格式。与用户可见的User Prompt不同，System Prompt是开发者设定的隐藏指令，贯穿整个对话。为防止“提示词注入”攻击，现代AI会加强防御以保持角色一致性。简言之，System Prompt就是AI的"人设配置文件"

Google黑板报 数学之美系列

Google黑板报数学之美系列