NLP_learning 导论:自然语言处理概述+基本文本处理操作

文章目录 一、自然语言处理概述一、基本文本处理操作1、清理与替换2、截取3、连接与分割4、比较与排序5、查找与包含6、大小写变换7、搜索查找更多的字符串相关操作 总结 一、自然语言处理概述 定义:自然语言处理(Natural Language Processing)简称NLP,是一种利用计算机为工具对人类特有的书面形式和口语形式的自然语言的信息进行各种类型处理和加工的技术。 任务:通过处理和理解语言,来构建执行...

Machine Learning with Graphs

学习笔记,仅供参考,有错必纠 文章目录 Machine Learning with Graphs Convolutional Model for Graphs Components of Graph Convolution TransE, Translating Embeddings for Modeling Multi-relational Data Many other Trans[X] models Va...

【DeepLearning 8】Self-Attention自注意力神经网络

一、Introduction          很多时候,我们需要输入的数据非常的复杂,难以用统一、固定长度的向量来表示。比如NLP中长短不一的句子。此外,我们需要输出的数据有时候也会复杂,比如一组向量中每一个向量有一个输出(词性标注),或者一组向量有一个输出,或者输出的数量让机器自己决定(即seq2seq任务,比如中英文翻译)         在第一种情况的时候,我们可以使用Fully-connected,然...

Transductive Learning 和 Inductive Learning

简介 在 kipf-GCN 和 GraphSage 中,对 Transductive Learning 和 Inductive Learning 有了比较深刻的认识。 kipf-GCN 在其论文中提到算法属于 transductive node classification,也就是在训练节点embedding的时候要看到全图的节点,这是因为kipf-GCN使用了拉普拉斯矩阵。kipf-GCN 的半监督指的是只知...

Machine Learning Model

机器学习(Machine Learning)是一门数据驱动(Data-driven)的科学,所谓的 数据驱动 是指需要使用样本数据训练模型(train model),然后再使用训练好的模型预测新的数据;根据样本数据(一般也称为训练数据(train data))携带标签(labels)与否,做以下分类: 监督学习(supervised learning):训练数据需要标签(labels),监督学习分为 分类问题 ...

零样本学习—Learning to detect unseen object classes by between-class attribute

零样本学习 算法概要 前提 ( x 1 , l 1 ) , ⋯ ( x n , l n ) 为 训 练 样 本 x 和 相 应 类 别 标 签 l . 这 样 的 成 对 数 据 共 有 n 组 , l 中 一 共 有 k 类 , (x_1,l_1),\cdots (x_n,l_n)为训练样本x和相应类别标签l.这样的成对数据共有n组,l中一共有k类, (x1​,l1​),⋯(xn​,ln​)为训练样本x和相应...

综述类论文_Machine Learning for Encrypted Malicious Traffic Detection(重要)

文章目录 Machine Learning for Encrypted Malicious Traffic Detection: Approaches, Datasets and Comparative Study摘要存在的问题论文贡献1. 基于机器学习的加密流量检测模型的总体框架1.1 Research Target(研究目标)1.2 Traffic Dataset Collection(流量数据集收集)1....

深度强化学习中深度Q网络(Q-Learning+CNN)的讲解以及在Atari游戏中的实战(超详细 附源码)

有有效识别高维数据的能力,使得强化学习算法在处理高纬度状态空间任务中更加有效 一、DQN算法简介 1:核心思想 深度Q网络算法(DQN)是一种经典的基于值函数的深度强化学习算法,它将卷积神经网络与Q-Learning算法相结合,利用CNN对图像的强大表征能力,将视频帧视为强化学习中的状态输入网络,然后由网络输出离散的动作值函数,Agent再根据动作值函数选择对应的动作 DQN利用CNN输入原始图像数据,能够在不依...

Bi-CLKT: Bi-Graph Contrastive Learning based Knowledge Tracing

图对比学习 文章目录 摘要1 引言2 相关工作2.2 自监督学习2.3 图上的对比学习 摘要 知识追踪(KT)的目标是根据学生对相关练习的历史学习来估计他们对一个概念的掌握程度。知识追踪的好处是可以更好地组织和调整学生的学习计划,并在必要时进行干预。随着深度学习的兴起,深度知识追踪(DKT)利用循环神经网络(RNNs)成功地完成了这一任务。其他的工作尝试引入图神经网络(GNNs),并相应地重新定义任务,以实现显...

论文笔记 - SIMILAR: Submodular Information Measures Based Active Learning In Realistic Scenarios

motivationActive Learning 存在的重要问题:现实数据极度不平衡,有许多类别很少见(rare),又有很多类别是冗余的(redundancy),又有些数据是 OOD 的(out-of-distribution)。1. 不同的次模函数提出三种次模函数的变体: 次模条件增长(Submodular Conditional Gain, SCG),越大说明差异越大: $$f(\mathcal{A}...
© 2024 LMLPHP 关于我们 联系我们 友情链接 耗时0.020620(s)
2024-03-29 06:06:04 1711663564