龙宁

白板推导系列笔记前言。在本文中，对一些0基础的问题进行讲解，但是由于涉及到知识范围太广，难以全部涉及，建议先对线性代数、高数、概率论的部分内容掌握扎实之后再来阅读，会减少一些阅读的障碍。

A Neural Probabilistic Language Model论文解读+复现，该论文试图建立一个神经网络来学习一种语言中的单词序列的联合概率函数，是将神经网络引入NLP的初次探索。

从0开始的复现论文生活，分享了一个自己整理的思维导图和收集的论文资料（同时也激励自己一定要坚持住，至少看完这十篇）

从高斯分布的维度，局限性，边缘概率，条件概率等入手，加深对高斯分布的理解以及数学理论的掌握，并且熟悉统计派和贝叶斯派工具的常见使用方法。

『白板推导系列笔记』第0章，主要介绍前置知识储备，以及对频率派和贝叶斯派的初步了解and一些优质课程资源的总结。

中医是中华民族的瑰宝，此次任务将机器阅读理解和中医药领域文本结合起来，通过 PaddleNLP 开发库，让计算机帮助人类在大量中医文本中找到想要的答案，从而减轻人们对信息的获取的成本。

本次项目可以看做机器学习的入门学习赛，将通过Kaggle Elo赛题，带您熟悉机器学习竞赛流程，并得到一个基本的，可提交的csv文件。

HMM 模型适用于隐变量是离散的值的时候，对于连续隐变量的 HMM，常用卡尔曼滤波（Kalman Filtering）描述线性高斯模型的态变量，使用粒子滤波（Particle Filter）。

粒子滤波（Particle Filter）是动态模型的非线性，非高斯的版本，也就是说z_t和z_{t-1}、x_t和z_t的关系是非线性的，其噪声也是非高斯的。