Tiffany_Li2015的博客

http://www.360doc.com/content/13/1124/02/9482_331688889.shtml很难得通俗易懂重点是深刻地讲解了PCA的数学原理，知其然并知其所以然，这才叫学知识。十分感谢

转自：http://blog.sciencenet.cn/home.php?mod=space&uid=362400&do=blog&quickforward=1&id=957950 如有版权问题，请联系我以前论过 (【NLP主流最大的偏见，规则系统的手工性】),（有监督）机器学习的知识瓶颈是需要大量的带标数据（labeled data），以克服稀疏数据（spars

2016-02-15  Seth Grimes  InfoQ文本分析、情感分析和社交分析帮助你在一定规模上转化成客户、病人、公众以及市场的“声音”。这项技术目前大量地应用于一系列的工业产品中，从医疗健康到金融、媒体、甚至客户市场。它们从线上、社交网络、企业数据源中提取商业洞察力。目前分析技术发展得还是相当不错的，尽管在某些领域，例如数字分析和市场研究有些稍稍落后。但是甚至是在例如“

转自http://blogs.baomitec.com/2015/05/08/%E6%95%B0%E6%8D%AE%E6%8C%96%E6%8E%98%E7%9A%84%E4%B8%80%E7%82%B9%E6%84%9F%E6%83%B3/在数据挖掘领域，的确是一小撮人在看一大堆人在裸奔，而那一小撮人都在互相看对方裸奔，所以，将来物物互联的社会，这个必定是一个趋势也必将会成为

TextRank是一种求自动摘要（句子级的pagerank）和关键词（词语级的pagerank）的主要方法之一。下面我就来说说textrank的来源以及算法TextRank来源于Pagerank, Pagerank是一种网页排名在1998年由谷歌larry Page它的名字命名由来。主要思想就是有权重网页所链接到的网页权重越高，以这样的方式判别网页的重要程度防止垃圾网站作弊行为。确切来说：如果

1、TFIDF的运用，如算出每个文档中单词的TFIDF后，比较大小，直接加权或者取TopN.这个可以自己写也可以用工具sklearn.（不过使用中文时注意上篇中提到的注意事项）2、主题模型方法，使用gensim中的LDA等最后使用词云工具如pyTagcloud进行可视化展示

阅读目录深度模型如何学习和表示词、短语、句子和篇章呢？几大前景方向:作者：尹文鹏，德国慕尼黑大学博士研究生二年级，自然语言处理方向。先后在西北工业大学和北京大学获得本科，硕士学位。小编：文本表示随着深度学习这把火也跟着旺了起来，各大会议上论文成出不穷，值得关注。之前在百度开放研究社区写了篇``深度学习文本的表示''， 现在这篇姑且作为其升级篇吧。 因此本文再谈

李航老师的这本书是我喜欢并推崇的。最近又重新在看，本想自己做点笔记，搜了一下，发现网上有 fxjwind 做的很好的笔记，转到这里做个汇总，如下：(1) 第1章  统计学习方法概述(2) 第2章 感知机 (Perceptron)(3) 第3章 kNN(4) 第4章 朴素贝叶斯 (Naive Bayes)

http://blog.youkuaiyun.com/yangliuy/article/details/8296481非常好的一篇文章。普及NLP常见的数学常识。如：1、文本分析的三种参数分析方法：最大似然估计MLE，最大后验概率估计MAP，贝叶斯估计。