記錄一下備用：使用https://github.com/hellohaptik/multi-task-NLP/[https://github.com/hellohaptik/...
IP屬地：北京
-
torch DataLoader出core
-
選項(xiàng)評(píng)估論文閱讀
數(shù)據(jù)集 RACE數(shù)據(jù)集 RACE: Large-scale ReAding Comprehension Dataset From Examinations，相關(guān)介紹可參考：h...
-
RACE數(shù)據(jù)集下載地址 https://www.cs.cmu.edu/~glai1/data/race/ 論文地址 Race: Large-scale reading comprehens...
-
SciQ數(shù)據(jù)集下載地址 https://allenai.org/data/sciq 論文地址 Crowdsourcing multiple choice science questions...
-
從機(jī)器學(xué)習(xí)到深度學(xué)習(xí)（七）隱馬爾可夫模型背景 相關(guān)前置背景知識(shí)見(jiàn)博客：http://www.itdecent.cn/p/d11cb1fe1201 HMM三個(gè)問(wèn)題回顧 1.狀態(tài)問(wèn)題：已知狀態(tài)轉(zhuǎn)移概率矩陣、輸出概率矩...
-
從機(jī)器學(xué)習(xí)到深度學(xué)習(xí)（六）集成學(xué)習(xí)集成學(xué)習(xí) 著重于在訓(xùn)練集上做文章：將訓(xùn)練集劃分為各種子集或權(quán)重變換后用較弱的基模型擬合，然后綜合若干個(gè)基模型的預(yù)測(cè)作為最終整體結(jié)果。 兩種算法：Bagging method、...
-
從機(jī)器學(xué)習(xí)到深度學(xué)習(xí)（三）支持向量機(jī)支持向量機(jī) 最初用于解決線性問(wèn)題，加入核方法后可以用于解決非線性問(wèn)題。能適應(yīng)“小樣本數(shù)量、高特征維度”問(wèn)題，甚至是特征維度大于樣本數(shù)量的情況。目標(biāo)：使得與超平面最近的樣本點(diǎn)（...
-
從機(jī)器學(xué)習(xí)到深度學(xué)習(xí)（二）梯度下降
梯度下降 用于迭代求解函數(shù)最優(yōu)解，是大數(shù)據(jù)領(lǐng)域用于求解問(wèn)題的常用思想。步長(zhǎng)：每一步梯度下降時(shí)向目標(biāo)方向前進(jìn)的長(zhǎng)度。前期可以使用較大步長(zhǎng)，加快訓(xùn)練速度，后期可以使用較短步長(zhǎng)，保...
-
從機(jī)器學(xué)習(xí)到深度學(xué)習(xí)（一）線性回歸
線性回歸 OLS、Ridge、Lasso的優(yōu)缺點(diǎn)對(duì)比：OLS 最小二乘法：優(yōu)點(diǎn)：計(jì)算方便（套入公式即可） 缺點(diǎn)：數(shù)據(jù)維度越高，參數(shù)值越大、更容易過(guò)擬合，且計(jì)算過(guò)程涉及矩陣求逆...
-
個(gè)人公眾號(hào):以后溫暖<br>原本南行，一路向北
-
基于bert進(jìn)行命名實(shí)體識(shí)別
背景 參照博客：https://blog.csdn.net/macanv/article/details/85684284參照代碼：https://github.com/ma...
-
CRF實(shí)驗(yàn)心得
背景 最近在用CRF做人名和時(shí)間的實(shí)體識(shí)別實(shí)驗(yàn)，在此記錄一下實(shí)驗(yàn)的一點(diǎn)心得，供以后借鑒 心得 1.首先對(duì)自己的測(cè)試集，調(diào)研已有實(shí)體識(shí)別模型效果，如ltp、jieba、百度實(shí)體...
-
深度學(xué)習(xí)簡(jiǎn)介
機(jī)器學(xué)習(xí)中的一種特殊方法，使用神經(jīng)網(wǎng)絡(luò)這種結(jié)構(gòu)來(lái)描述計(jì)算過(guò)程，通過(guò)輸入海量數(shù)據(jù)，計(jì)算神經(jīng)網(wǎng)絡(luò)中的各級(jí)參數(shù)。一般有如下原則： 1，交替使用線性和非線性單元，即層 2，使用鏈?zhǔn)椒?..
-
機(jī)器學(xué)習(xí)花書(shū)--圖模型之HMM、MRF、CRF學(xué)習(xí)背景 0.概率圖：用圖來(lái)表達(dá)變量之前相關(guān)關(guān)系的概率模型。其中圖中的點(diǎn)表示一組隨機(jī)變量，邊表示隨機(jī)變量之間的概率相關(guān)關(guān)系1.有向圖模型/貝葉斯網(wǎng)：有向無(wú)環(huán)圖。當(dāng)變量之間有明確的...
