摘要：
词向量：编码词汇级别的信息 url:http://pytorch.org/tutorials/beginner/nlp/word_embeddings_tutorial.html?highlight=lookup 词嵌入 词嵌入是稠密向量，每个都代表了一个单词表里面的一个单词。NLP中每个Featu 阅读全文
摘要：
思路分析：从尾到头，凡是遇到这种逆序问题，可以先考虑用栈，因为栈是先进后出；也可以考虑使用题归，不过递归确实比较灵活，不好掌握。还有一个比较直观的思路就是先把链表反转，然后再从头到尾打印。 代码：使用栈 代码主要还是借鉴别人的，主要还是肚子里没有墨水，经过训练就没有问题。其实思路相当简单，就是能不能 阅读全文
摘要：
参考：http://ufldl.stanford.edu/wiki/index.php/Softmax%E5%9B%9E%E5%BD%92 阅读全文
摘要：
由于编辑器总是崩溃，我只能直接把代码贴上了。 阅读全文
摘要：
今天应该是把朴素贝叶斯算法层面上的东西全部理解了，朴素贝叶斯总的来说是比较简单的机器学习模型，是生成模型，而不是判别模型，是在假定y的条件下看x的生成情况。朴素贝叶斯两个朴素的但不一定正确的假设，条件概率，到贝叶斯公式，再推广到朴素贝叶斯的公式，利用朴素的假设简化模型，类别的参数估计总是用MLE或者 阅读全文
摘要：
看了两天的贝叶斯理论，终于算是理解一些，现在写下来自己的收获。 1.贝叶斯公式 $P(A|B)=P(A) \frac {P(B|A)}{P(B}$，我认为，这样的形式才能帮助我们更好的取理解贝叶斯公式，而不是将贝叶斯公式看作是由条件概率推导而来的公式。 公式的理解：（1）$P(A)$就是所谓的先验概 阅读全文
摘要：
1.什么是似然函数 一句话概括：似然函数是参数的函数。 公式：解释：参数$\theta$在给定输出为x的情况下的似然函数等于，在给定参数为$\theta$的情况下，取x的概率。注意：此处的竖杠并不表示条件件概率，仅仅是一种取该值的含义。 我的理解：在统计学中，随机变量会服从某个分布，此分布带有参数。 阅读全文