bep_code

摘要： 1、决策树简介 1.1 决策树概述 决策树算法是一种基于树形结构的分类算法，它能从给定的无序的训练样本中，提炼出树型的分类模型，树形中包含判断模块和终止模块。它是一种典型的分类算法，首先对数据进行处理，利用归纳算法生成可读的规则和决策树，然后使用决策对新数据进行分析。本质上决策树是通过一系列规则对数 阅读全文

摘要： 一、kNN算法概述 kNN算法是用来分类的，其依据测量不同特征值之间的距离，其核心思想在于用距离目标最近的k个样本数据的分类来代表目标的分类（这k个样本数据和目标数据最为相似）。其精度高，对异常值不敏感，并且无数据输入假定，但是计算复杂度和空间复杂度均高，更多的适用于数值型和标称型数据。 kNN算法 阅读全文

摘要： 摘要 1.作者提出了一种新的简单有效的方法，用于学习词义嵌入word sense embedding 2.传统的两种方法：（1）直接从语料库中学习词义；（2）依赖词汇资源的语义库 研究方法的创新点：通过聚类相关词的自我网络ego-networks,从而在现有的词嵌入中引出语义库。 3.集成的WSD机 阅读全文

摘要： 论文：Chinese NER Using Lattice LSTM 论文链接：https://arxiv.org/abs/1805.02023 论文作者：Yue Zhang∗and Jie Yang∗ 项目链接：https://github.com/jiesutd/LatticeLSTM 论文翻译： 阅读全文

摘要： 中文分词算法一般分为三类： 1.基于词表的分词算法 正向最大匹配算法FMM 逆向最大匹配算法BMM 双向最大匹配算法BM 2.基于统计模型的分词算法：基于N-gram语言模型的分词算法 3.基于序列标注的分词算法 基于HMM 基于CRF 基于深度学习的端到端的分词算法 下面介绍三类基于词表的分词算法 阅读全文

摘要： 来自微信公众号人工智能头条 为什么会有分词 我们知道自然语言处理中词为最小的处理单元，当你的语料为句子、短文本、篇章时，我们要做的第一步就是分词。 由于英语的基本组成单位就是词，分词是比较容易的。其句子基本上就是由标点符号、空格和词构成，那么只要根据空格和标点符号将词语分割即可。 中文和英文就有很大 阅读全文

摘要： 1、研究方向部分 关于NLP的应用场景与领域我一直没有概念，翻博客，听视频，也都是东一榔头，西一棒槌的瞎鼓捣。我自己对于NLP的应用理解主要分为三部分： （1）基础功能部分：句法语义分析 这部分是属于NLP处理的基础部分，是一般NLP任务的首要处理问题，关于NLP的相关应用，起点都是从词法、句法开始 阅读全文

摘要： 摘自AI壹号堂 建议如下： 第一步：根据研究方向去google学术输入你研究方向的关键字进行搜索。例如社区问答，可输入CQA 时间筛选为近3年。如果文章数量很多，那就表明这个方向还不错，至少近期是出现在不少相关文献当中的，有一定可研究性。 第二步：对于完全小白的你，可以在CNKI上查询一些中文文献。 阅读全文

摘要： 一、选择正确的特征 1.建立分类器的工作中如何选择相关特征，并且为其编码来表示这些特征是首要问题。 2.特征提取，要避免过拟合或者欠拟合 过拟合，是提供的特征太多，使得算法高度依赖训练数据的特性，而对于一般化的新例子不起作用，在小型训练集上通常会出现这种问题。 欠拟合，是特征太少，算法不能很好地反映 阅读全文

摘要： 一、分类问题 分类是为了给那些已经给定的输入选择正确的标签。 在基本的分类任务中，每个输入都被认为与其他的输入是隔离的。每个类别的标签集是预先定义好的（只有把类别划分好了，才能给输入划分类别）。 分类任务举例： 判断电子是否是垃圾邮件 从一个固定的主题领域列表里，比如有‘体育’、‘技术’、‘政治’等 阅读全文