雪域冰泉

未归档

ACM学习(21) AI小白入门(32) Java(2) markdown(1) nlp(3) PyTorch(1) PyTorch学习(11) Tensorflow(2) word embedding(1) 机器学习(8) 环境搭建(2) 自然语言处理(4)

/ 注册

全部文章 / 未归档（共120篇）

贝叶斯分类之朴素贝叶斯原理

介绍贝叶斯分类是一类分类算法的总称，这类算法均以贝叶斯定理为基础，故统称为贝叶斯分类。本文介绍贝叶斯分类算法的基础——贝叶斯定理。最后，通过实例讨论贝叶斯分类中最简单的一种：朴素贝叶斯分类。贝叶斯定理先简单谈一下贝叶斯定理，它特别有用，这个定理解决了现实生活里经常遇到的问题：已知某条件概...

2017-08-07

0 681

数据预处理-sklearn实战

介绍 sklearn.preprocessing包为用户提供了多个工具函数和类，用于将原始特征转换成更适于项目后期学习的特征表示。标准化、去均值、方差缩放数据集的标准化，对于大部分机器学习算法来说都是一种常规要求。如果单个特征没有接近于标准正态分布（零均值和单位方差的高斯分布），那么它可能...

2017-08-07

0 565

Gensim-TFIDF,LDA,LSI实战

介绍 Gensim能很方便的分析文本，包括了TFIDF,LDA,LSA,DP等文本分析方法词典与词库首先将文本处理生成dictionary和corpus。 dictionary是词典，包含词以及词在词典中对应的位置。 corpus将文本存贮成(词在词典中位置，词频)这种形式，每个文本为...

2017-08-07

0 610

Gensim-from corpus to vector实战

介绍 gensim能很方便的把文档转换成计算机能处理的形式，一般文档集合要先产生词典dictionary，词典就是包括文档集所有词的集合，每个词都在词典里有一个唯一的位置，就用位置来表示这个词。之后每一篇文档就能表示成（词id，词频）这种形式，用于后面的处理。实战 from gensim i...

2017-08-07

0 509

Gensim学习笔记

介绍 Gensim是一个免费的Python库，旨在高效的以计算机方式从文档中自动提取语义主题。Gensim旨在处理原始的，非结构化的数字文本（“纯文本”）。其中算法，如潜在语义分析，潜在狄利克雷分配和随机投影，通过检查训练文档语料库中的单词的统计共现模式，发现文档的语义结构。一旦发现这些统计模式，...

2017-08-07

0 400

NLP期刊

自然语言处理（natural language processing，NLP）在很大程度上与计算语言学（computational linguistics，CL）重合。NLP/CL有一个属于自己的最权威的国际专业学会，叫做The Association for Computational Lingu...

2017-07-24

0 1056

RNN学习笔记以及LSTM详解

RNN RNN介绍 RNN的目的使用来处理序列数据。在传统的神经网络模型中，是从输入层到隐含层再到输出层，层与层之间是全连接的，每层之间的节点是无连接的。但是这种普通的神经网络对于很多问题却无能无力。例如，你要预测句子的下一个单词是什么，一般需要用到前面的单词，因为一个句子中前后单词并不是独立的...

2017-07-18

0 481

Tensorflow-多层感知机学习与实现

多层感知器（Multilayer Perceptron,缩写MLP）是一种前向结构的人工神经网络，映射一组输入向量到一组输出向量。MLP可以被看作是一个有向图，由多个的节点层所组成，每一层都全连接到下一层。除了输入节点，每个节点都是一个带有非线性激活函数的神经元（或称处理单元）。一种被称为反向传播算...

2017-07-15

0 507

机器学习

机器学习是人工智能的一个分支。人工智能的研究是从以“推理”为重点到以“知识”为重点，再到以“学习”为重点，一条自然、清晰的脉络。显然，机器学习是实现人工智能的一个途径，即以机器学习为手段解决人工智能中的问题。机器学习在近30多年已发展为一门多领域交叉学科，涉及概率论、统计学、逼近论、凸分析、计算复杂...

2017-07-14

0 3220

Tensorflow--实现KNN

KNN（k最近邻） K最近邻（K-Nearest Neighbor,KNN）算法，是著名的模式识别统计学方法，在机器学习分类算法中占有相当大的地位。它是一个理论上比较成熟的方法。既是最简单的机器学习算法之一，也是基于实例的学习方法中最基本的，也是常见的文本分类算法之一。基本思想如果一个实例...

2017-07-12

0 642