摘要：
SVD、Word2Vec和神经网络的嵌入层都可以用来计算Embedding，这其中有什么区别，个人谈谈对它们的理解，欢迎拍砖。 如果采用Negative Sampling方式计算Word2Vec和SVD，其实三者本质上没有任何区别，都是用N个1*K的向量去乘K*N的矩阵（N可以简单理解为物品数/用户 阅读全文
摘要：
梯度下降的各种优化算法下面参考文献表述都很全面了，不在赘述，主要谈谈个人理解 其实对SGD的优化，跟自动控制中的PID思路其实是一样的 P（Propotion）比例项即当前偏差 I（Intergration）积分项即偏差的累积 D（differentiation）微分项即偏差的变化 SGD加入微分项 阅读全文
摘要：
Adaboost的基本思路如下： 给每个样本一个权重，初始化所有样本权重相同 使用当前样本权重，训练一个（简单）模型 根据模型结果，给判断正确的样本降权，给判断错误的样本加权 使用新的样本权重，重新训练（简单）模型，重复若干轮 将若干轮的（简单）模型线性合并为复合模型，作为最终模型 现有包含N个样本 阅读全文
摘要：
1，线性回归（Linear Regression） 线性回归，即使用多维空间中的一条直线拟合样本数据，如果样本特征为： \[x = ({x_1},{x_2},...,{x_n})\] 模型假设函数如下： \[\hat y = h(w,b) = {w^T}x + b,w = ({w_1},{w_2}, 阅读全文
摘要：
1，Gamma函数 Gamma函数 \[\Gamma (x) = \int_0^\infty {{e^{ - t}}{t^{x - 1}}dt} \] 是阶乘的从整数域到实数域的扩展 \[\Gamma (n) = (n - 1)!,n \in \{ 0,1,2,3...\} \] 函数递推推导如下， 阅读全文
摘要：
看了好多书籍和博客，讲先验后验、贝叶斯公式、两大学派、概率模型、或是逻辑回归，讲的一个比一个清楚 ，但是联系起来却理解不能 基本概念如下 先验概率：一个事件发生的概率 \[P(y)\] 后验概率：一个事件在另一个事件发生条件下的条件概率 \[P(y|x)\] 贝叶斯公式：联合概率公式直接能推导出来的 阅读全文
摘要：
itertools.product itertools.permutations itertools.combinations itertools.combinations_with_replacement 参考文献： https://www.cnblogs.com/dwithy/p/1165316 阅读全文
摘要：
#include "cpp3rdlib/boost/include/boost/math/distributions.hpp" #include "cpp3rdlib/boost/include/boost/random/mersenne_twister.hpp" float rand_beta_d 阅读全文
摘要：
程序坞跳动取消 defaults write com.apple.dock no-bouncing -bool TRUE killall Dock 显示隐藏文件 defaults write com.apple.finder AppleShowAllFiles -bool true killall 阅读全文
摘要：
参考文献： https://blog.csdn.net/qq_34409701/article/details/52488964 阅读全文
摘要：
代码如下 import numpy as npfrom scipy import stats#先将对照组与实验组的数据放入use_time_base与use_time_exp a = [] b = [] count = 1000 for i in range(count): r = random.r 阅读全文
摘要：
参考文献： https://www.cnblogs.com/JAYIT/p/8627053.html 阅读全文
摘要：
临时换源： pip2 install setuptools==44.0.0 -i https://pypi.tuna.tsinghua.edu.cn/simple 永久换源： vim ~/.pip/pip.conf [global] index-url=http://pypi.douban.com/ 阅读全文
摘要：
C++ extern "C" { float test_func (char *a, float b, int c); } float test_func (char *a, float b, int c) { float d = 3.14; return d; } 编译动态库 g++ pyclib 阅读全文