港中大出逃的語言心理學磚家书聚，現(xiàn)任影視公司的bd。<br><br>專注口才技能和個人成長心理等知識的分享藻雌，已經(jīng)出版《戒了吧雌续！低品質(zhì)勤奮》，《我最后一本口才書》等胯杭！
發(fā)簡信
IP屬地：上海
-
UniformML-paper 4 Glove 《GloVe Global Vectors for Word Representation》今天我們來重溫下強烈推薦的一篇經(jīng)典的詞向量訓練模型——Glove驯杜。（大家可能比較熟悉的是word2vec，這篇后續(xù)我們也會來重溫下歉摧，在大量語料的時候艇肴，glove的表現(xiàn)會優(yōu)于w...
-
UniformML Paper3-MLR《Learning Piece-wise Linear Models from Large Scale Data for Ad Click》
1 Introduction 線性模型在實際應用中雖然高效，但是實際很多特征空間的分界面未必都是線性的叁温，為了適應這樣的場景，我們一般會通過兩種方法：1核畴、復雜的特征工程（人工...
-
無論是10萬塊錢的課灭贷，還是讀一本書，學習的方法都是一樣接下來的一年時間略贮，會在混沌大學創(chuàng)新院學習甚疟。早上收到班委的信息：“下周就要上課了，大家要記得復習哦逃延！” 這么貴的課程览妖，怎么樣也要好好準備呀。何況我也是學委揽祥，要負責幫助同組的同學...
-
-
有喜歡的事情就去做吧料按，不用等別人給你職位1. 有人問小六挺尾，小六你不用工作嗎？我說站绪，讀書就是我的工作呀遭铺。我就像一個圖書管理員+助教，你要找什么書恢准，讀的時候卡住了魂挂，都可以找我。 好喜歡你的工作馁筐，他們說涂召。 我只不過找到了...
-
-
uniform機器學習極簡入門7—機器學習入門概述
uniform機器學習極簡入門這個系列已經(jīng)介紹了6節(jié)課辖众，大家對機器學習（統(tǒng)計學習）有了些了解（當然之前都是些基礎）卓起，今天我們從宏觀整體上介紹下什么是機器學習和敬，以及目前機器學習...
-
uniform機器學習極簡入門5—EM算法
上一節(jié)我們介紹了高斯混合模型（GMM），這個模型在求解的時候我們提到了EM算法戏阅，本節(jié)我們詳細介紹下EM算法的基本流程昼弟，其實在KMeans中也有EM的思想，EM算法在很多概率求...
-
uniform機器學習極簡入門6—聚類算法2(DBSCAN和層次聚類)
前面我們已經(jīng)分別介紹了Kmeans和GMM聚類模型奕筐，下面我們再介紹兩個很實用的聚類算法舱痘。 DBSCAN密度聚類 KMeans聚類的形狀一般對數(shù)據(jù)的本身特性要求較高（球狀），但...
-
uniformML-Paper1-Recommendation《Deep Neural Networks for YouTube Recommendation》
今天給大家介紹一篇相當棒的經(jīng)典推薦領域的論文《Deep Neural Networks for YouTube Recommendation》救欧，這篇文章主要介紹如何將深度學習...
-
uniform機器學習極簡入門4—高斯混合聚類（GMM Gaussian Mixture Model）
uniform機器學習極簡入門3 我們介紹了KMeans的基本概念笆怠，這個方法是給每個樣本歸屬一個類別铝耻，我們可以找出每個類別的原型向量，但是很多場景里往往不是這種0-1事件蹬刷，我...
-
UniformML:trick1 負采樣Negative Sampling
在訓練word2vec的時候瓢捉，會介紹到兩種模型優(yōu)化方式： Hierarchical Softmax Negative Sampling 由于softmax在實際訓練過程中需要...
-
uniform機器學習極簡入門3—KMeans
1 kmeans算法概述 往往在實際數(shù)據(jù)分析中，我們需要發(fā)現(xiàn)數(shù)據(jù)的一些內(nèi)在規(guī)律办成，但是數(shù)據(jù)一般都是未標注泡态，因此希望通過某個算法來揭示數(shù)據(jù)的內(nèi)在性質(zhì)和規(guī)律，其中最常用的算法就是聚...
