原创 python xlsxwriter 給excel單元格中部分文本文本添加顏色

1. 示意圖 2.代碼 import re from datetime import datetime import xlsxwriter from xlsxwriter.workbook import Workbook #

原创 TensorFlow學習記錄--2.運行方式及基礎概念

一 TensorFLow運作模式及概念 運作模式 1.tensorflow是用python先構建一個圖,然後通過外部運算優化得到結果 2.向模型不斷喂入數據,然後給出要不斷優化的對象loss,根據loss的走勢不斷優化模型得到

原创 一文看懂自然語言處理語言模型 n-gram word-embedding CBOW Skip-gram word2vec glove解讀

1.n-gram 自己理解: n代表窗口長度,n-gram的思想就是先滑窗,然後統計頻次,然後計算條件概率,你可以取前面n個的條件概率,不一定要取全部的,最後得到的是整個句子的一個概率,那這個概率可以代表句子的合理性。 詳情見

原创 簡談快速排序

最近在看算法導論,其實想很快看過去,看到快速排序時,看着他那官方的解釋,總感覺耽擱了自己看書的速度,自己理解了後想寫一篇能夠讓其他人能夠快速理解快速排序的文章,這就是寫這篇博客的原因。 快速排序關鍵思想:             取一個數

原创 tensorflow學習記錄--1.安裝

一.入門網站 用了倆天,感覺tensorflow就像是一個python的庫(可以自行編譯),所以安裝的話可以很簡單。 1.tensorflow官網 安裝方式,教程,api,等資源都可以在裏面找到。 2.tensorflow

原创 TensorFlow學習記錄-- 4.擬合曲線

一 擬合直線 這裏先用numpy創建一些數據點x,然後計算出出標籤y(加了一些正態分佈的隨機點),最後用tensorflow去擬合這些點。 代碼以及圖 1.構建點x和標籤y import numpy as np num_poin

原创 簡談動態規劃

解決的問題 1.鋼鐵切割問題 2.0-1揹包問題 3.PAT Find More Coins 總體思路 1.對於問題1,我們可以考慮鋼鐵切割第一刀是怎麼切的,即將它分爲倆個部分,對它遍歷就可以找出獲利最大的方案,即,P

原创 python的負數補碼情況

一些參考鏈接: https://blog.csdn.net/kudou1994/article/details/99642213 https://my.oschina.net/u/4321106/blog/3528186/prin

原创 nlp學習資料彙總

1.基礎 1.1一文看懂自然語言處理語言模型 n-gram word-embedding CBOW Skip-gram解讀 https://blog.csdn.net/qq_16949707/article/details/105

原创 n-gram word-embedding CBOW Skip-gram解讀

1.n-gram 自己理解: n代表窗口長度,n-gram的思想就是先滑窗,然後統計頻次,然後計算條件概率,你可以取前面n個的條件概率,不一定要取全部的,最後得到的是整個句子的一個概率,那這個概率可以代表句子的合理性。 詳情見

原创 bagging 隨機森林 boost adboost gbdt xgboost lightgbm思想與不同,以及優缺點

1.bagging 特點: 數據有放回採樣 分類最終投票 迴歸最終平均 優點 可並行,提升泛化能力 缺點 可能欠擬合 https://www.cnblogs.com/hugechuanqi/p/10554156.html 2.

原创 序列標註ner原理,CRF作用以及transformers ner使用

1.參考 Pre-Training with Whole Word Masking for Chinese BERT(中文BERT-wwm系列模型) https://github.com/ymcui/Chinese-BERT-ww

原创 從Attention到Transformer再到bert的理解

1.最原始的attention [1] Lin, Zhouhan, et al. ”A structured self-attentive sentence embedding.” arXiv preprint arXiv:1

原创 xgboost算法推導

1.推導思路 目標函數 目標函數泰勒展開 合併正則項(遍歷樣本到遍歷頁節點) 目標函數最小值(求導爲0)得到參數的解 2.詳細推導 2.1 目標函數 lt=∑i=1Nl(yt,y)+γT+λ∑j=1Twj=∑i=1N[l(yt

原创 如何做特徵選擇?

1 參考鏈接 Topic 6. Feature Engineering and Feature Selection https://www.kaggle.com/kashnitsky/topic-6-feature-enginee