原创 2012騰訊暑期實習筆試

雖然簽署了保密協議,我還是無恥的記錄下來了。 雖然被企鵝筆試了,該寫的還要寫。 一、選擇題 1、循環隊列,判斷頭尾的條件。 2、磁盤數據處理,磁盤分十道,求數據處理時間。 3、順序表O(1)的操作。 4、進程  設備利用率 5、虛擬分頁

原创 《編程珠璣》讀書筆記(三)

《編程珠璣》的第二部分講的是性能,第三部分講的是應用,所以我暫時跳過第二部分,直接看應用。 第十一章 排序 排序問題一直是面試的熱點!本章首先介紹了插入排序,然後介紹了快速排序,並提出了快速排序的幾種改進方法,例如雙向劃分、隨機數劃分

原创 《知識圖譜的系統工程觀》筆記

最近也學習知識圖譜的一些知識,看到這篇文章講的很詳細,做了一篇學習筆記,分享出來! 附件是這篇筆記的思維導圖,僅供參考! 附:鏈接:https://pan.baidu.com/s/1NJnT8vW6JbAtP16S31QccA     

原创 文本特徵提取方法研究

http://blog.csdn.net/tvetve/article/details/2292111 一、課題背景概述 文本挖掘是一門交叉性學科,涉及數據挖掘、機器學習、模式識別、人工智能、統計學、計算機語言

原创 【Caffe】簡單介紹

Caffe是一個計算CNN相關算法的框架,由Yangqing Jia老師編寫和維護的,代替了之前的decaf工具。暫時還沒有demo。(decaf有demo)。   Caffe的優勢: 1、所要實現的網絡結構可以在配置文件中指定,不需要編

原创 Topic Model的分類總結(LDA變種)

轉自:http://hi.baidu.com/ouyanggaoyan/item/5b5c01d4c518871cd78ed0d7#713670-tsina-1-29064-128ff9f28d958dae738be418601ffbcd

原创 個性化推薦的十大挑戰

http://blog.sciencenet.cn/home.php?mod=space&uid=636598&do=blog&view=me 挑戰一:數據稀疏性問題。   現在待處理的推薦系統規模越來越大,用戶和商品(也包括其他

原创 微軟暑期實習面試總結

微軟一天有四場面試,我是第二場,上午十點半簽到,十一點面到一點,兩個面試官,提前告訴了是技術面。 微軟大廈真是很氣派,環境超級好。 剛到門口就有HRMM接我們進去等待,跟我一起下車的都是坐304的BYR,有個MM貌似很牛的樣子,今天百度筆

原创 《Head First設計模式》策略模式

上一節介紹了對於鴨子類,如何抽取出變化的行爲,定義爲接口,用具體行爲類來實現不同的行爲。 那麼,如果想要動態的改變鴨子的行爲,應該怎麼做呢? ① 在Duck中,加入兩個新方法public void setFlyBehavior(Fly

原创 Google Colab使用教程

簡介 Google Colaboratory是谷歌開放的雲服務平臺,提供免費的CPU、GPU和TPU服務器。 目前深度學習在圖像和文本上的應用越來越多,不斷有新的模型、新的算法獲得更好的效果,然而,一方面對資源的要求越來越高,另一方面

原创 圖片風格快速轉換的簡單web實現

圖片風格快速轉換的簡單web實現 圖片風格轉換,是指利用深度學習算法學習某種風格圖片的特徵,將其應用到另一張圖片中,合成新風格的圖片,目前技術較爲成熟,github上有很多有趣的項目與應用。 本項目核心代碼基於fast-neural-

原创 CS224D 課程學習筆記 L06

Lecture 6. Neural Tips and Tricks Lecture 6主要介紹了深度學習應用的一些小技巧,例如多任務訓練、梯度檢測、正則化、多種激活函數、參數初始化、學習速率等。 文章目錄Lecture 6. Neu

原创 CS224D 課程學習筆記 L05

Lecture 5. Neural Networks 這節課我們將要學習神經網絡。教授本節課slides是按照單層神經網絡的前向計算、損失函數、後向計算,兩層神經網絡的前向計算,損失函數,後向計算兩個方面來講解以及推導梯度公式。not

原创 CS224D 課程學習筆記 L04

Lecture 4. Word Window Classification 我們在上節課快結束的時候提到了窗口分類,Lecture 3這節課更詳細的介紹了常用分類的背景、窗口分類、更新詞向量以實現分類,交叉熵推導經驗等,課程的最後5分

原创 BERT文本分類使用指南

本文檔介紹瞭如何使用BERT實現多類別文本分類任務,適合稍微瞭解BERT和文本分類的同學參考。 (一) 下載 首先,在github上clone谷歌的BERT項目,或者直接下載。項目地址 然後,下載中文預訓練模型,地址 (二) 環境準備