摘要：
上图可知：python中的切片操作都是深拷贝。 那么，下面图中问题也知道了，因为b是深拷贝，所以b变化了，a不变换，很正常。 阅读全文
摘要：
1、举例从以前的错误得到反思的过程。 2、弱人工智能，强人工智能，图片识别算不算是真正意义上的人工智能？ 3、技术改变世界，你想如何改变？ 4、技术对社会影响的负面效果，举例。 5、描述一下之前的公司。 6、对于算法的理解。 如果真正做算法，去加一些东西，提高算法的效率，或者一种完全新的模型，这其实 阅读全文
摘要：
一直插入排序和选择排序弄混掉，这里解释以下 因为插入排序是稳定的，选择排序是不稳定的 这里有两张图片就可以表示 阅读全文
摘要：
RNN的符号表示，序列样本，序列内部表示，生成y表示，Tx表示输入长度，Ty表示输出长度。 用到的one-hot编码 RNN的动机来源：1、原始的神经网络，输入输出都是一个固定长度，但是序列是不定长度的，所以有了水平的时间方向的RNN 2、原始的神经网络没有体现出句子中位置的关系 如下图，左边是简单 阅读全文
摘要：
1、onehot 缺点：词之间没有关联，泛化性差 2、高维特征表示：每词由300维的特征表示，能够获取词之间的相似性关系。更好。 学习词嵌入，可以迁移学习，可以小样本 在训练集中找相似特征的进行归纳。 一般词嵌入，使用双向ＲＮＮ 词嵌入，找网上模型然后少量训练标记进行迁移学习，可以使用比1-hot更 阅读全文
摘要：
RNN新生成序列采样，这样做的动机：因为要看训练好的模型不知道在那些方面表现的好，具体来分析，便于进一步改进模型。数学角度说，就是检查训练好的数据分布是怎样的。 具体来说： １、按照生成模型那样，先生成第一个单词，softmax分布进行随机抽选，第二个词在第一个词的基础上进行生成，第三个在前两个词的 阅读全文
摘要：
举例说明维度的高低会影响数据的预测： 二维空间中随机两点的平均距离为0.52，三维空间中随机两点的平均距离为0.66，100万维的空间中随机两点的平均距离维408.25 也就意味着无限大的高维空间是非常稀疏的，非常容易过拟合，所以预测是极不稳定的，因此我们有降维的需求。 当然，我们应该明白，不是所有 阅读全文
摘要：
因为自己总记不太清具体的意义，这里梳理一下: 这里的TP、FN、FP、TN，其实真正对应的都说的是预测 TP：真（预测结果是否正确）的正样本（预测），实际也是正样本 FN：假（预测结果是否正确）的负样本（预测），实际也是正样本 FP：假（预测结果是否正确）的正样本（预测），实际是负样本 TN：真（预 阅读全文
摘要：
1、明确业务目标？ 2、询问当前的解决方案？为什么不满足要求？ 加州住房价格为例： 1、回答框架问题：监督学习，回归，在线学习更好（批量学习就可以胜任）。 多重回归问题：利用多个特征进行预测。 一元回归问题：预测每个区域的单个值。 2、选择性能指标：（这里和范数表达差不多）（0范数：非零个数 无穷范 阅读全文
摘要：
在线学习：与批量学习不同，在线学习系统可以进行增量学习，快速适应不断变化的数据和自动系统，能够处理大量数据。 核外学习：数据量太大内存无法一次性容纳，分批进行学习，采用线上学习。 机器学习的挑战：数据集的缺乏，质量问题，数据代表性不足，数据量不足。 train-dev集：训练集和测试集分布有差异，所 阅读全文