首页
沸点
课程
数据标注
HOT
AI Coding
更多
直播
活动
APP
插件
直播
活动
APP
插件
搜索历史
清空
创作者中心
写文章
发沸点
写笔记
写代码
草稿箱
创作灵感
查看更多
登录
注册
Himon
掘友等级
算法工程师
大家好,我是一只梦想环游世界的程序猿。 就像相信大米能够煮成米饭,我也相信数据和算法的力量。
获得徽章 0
动态
文章
专栏
沸点
收藏集
关注
作品
赞
43
文章 42
沸点 1
赞
43
返回
|
搜索文章
最新
热门
LSTM+Attention实现seq2seq深度解析
1. LSTM理论介绍 几个关键点: 每一层实际上只有一个LSTM cell在运行,不同时刻共享权重的。所谓时刻就是按照输入序列,每个时刻输入一个token的向量来运算。 定义网络与batch_siz
处理标注错误的样本(learning with noisy labels)
机器学习任务最重要的是高质量的数据,而“高质量”在现实生产中往往很难实现,数据中或多或少都会有噪音。那么,除了人工清理噪音,还有一种思路,是通过算法的层面来进行“带噪学习”。本文就介绍相关的算法。
Learning To Rank算法和评价指标
排序学习是推荐、搜索、广告的核心方法,而LTR就是专门做排序任务的一个有监督的机器学习算法。所以,LTR仍然是传统的机器学习处理范式,构造特征,学习目标,训练模型,预测。LTR一般分为三种类型,
论文笔记 --《Get To The Point: Summarization with Pointer-Generator Networks》
来源: ACL 2017 关键词:NLG,Pointer-Generator Networks 1.背景及问题描述 seq2seq模型的出现给生成式摘要(abstractive text summar
论文笔记 --《Bottom-Up Abstractive Summarization》
来源: EMNLP 2018 关键词:NLG,Bottom-Up, Text-Summarization 1.背景及问题描述(Abstract) 文本摘要是需要从长文本上生成内容相关的文本摘要。 基于
文本相似度算法(无监督算法)
本文主要介绍文本相似度的非监督算法,相比较有监督的复杂模型,无监督模型和算法在现实场景下经常使用,是必须要掌握的基础技能。
Rasa学习笔记2--Rasa Core
1. 概念介绍 Learning from real conversations is more important than designing hypothetical ones,我觉得这是非常重要的事情,我们在构建自己的bot的时候 ,我们往往想绞尽脑汁来排列组合出各种意…
改变Jupyter Notebook的主题
Jupyter Notebook 更换主题(背景、字体),方法介绍. 我的设定和样式展示,持续更新和优化
论文笔记 --《THE CURIOUS CASE OF NEURAL TEXT DeGENERATION》
这篇论文主要讨论使用语言模型的文本生成编码策略(decoding strategy),充分对比了*概率最大化编码*和*随机编码*两种编码策略,并分析了之前方法的问题。同时提出核心采样...
训练语言模型,零概率和平滑问题
训练语言模型,零概率和平滑问题 当我们训练语言模型时候,就算使用一个相当大量的语料,如果直接用比值计算概率,大部分条件概率依然是零,这种模型称之为“不平滑”。在实际应用中,这种现象不可避免。 古德提出
下一页
个人成就
文章被点赞
121
文章被阅读
47,446
掘力值
1,181
关注了
6
关注者
24
收藏集
0
关注标签
5
加入于
2019-09-19