兼一书虫

隐马尔可夫HMM定义 一站式解决：隐马尔可夫模型（HMM）全过程推导及实现 关于HMM、MEMM、CRF的一些知识整理整理 图解隐马尔可夫模型HMM_通俗易懂 隐马尔可夫模型(hidden Markov model, HMM)是可用于标注问题的统计学习模型 描述由隐藏的马尔可夫链随机生成观测序列的过程，属于生成模型 隐藏的马尔可夫链随机生成的状态的序列，称为状态序列(state sequence)每个状态生成一个观测 而由此产生的观测的随机序列，称为观测序列(observation sequence) 序列的每一个位置又可以看作是一个时刻 这里的$Z$就是状态序列，$x$是观测序列，设Q是所有可能的状态的集合，V是所有可能的观测的集合，$N$是可能的状态数，$M$是可能的观测数 Q = \{q_1,q_2, \cdots ,q_N \} \qquad V = \{v_1,v_2, \cdots ,v_M \}三要素 隐马尔可夫三要素 隐马尔可夫模型由初始状态概率$\pi$、状态转移矩阵$A$、观测概率矩阵(或者叫发射矩阵)$B$决定，记作 \lambda = (\pi, A ...

前置知识 笔记整理自：Bilibili站上shuhuai008强势手推讲解的白板推导CRF系列课程，课程质量很高！ 条件随机场 【NLP】从隐马尔科夫到条件随机场 分类问题根据输出的类型，可以将其划分为硬模型和软模型 硬输出: 输出为0或1 软输出: 引入概率，不直接计算边界，而是计算取各类别的概率 软硬模型硬模型 svm支持向量机(最大间隔) 几何角度出发，求的是max margin classifier，式子最终的形式为 min (\frac {1}{2} w^Tw) \qquad s.t. \ y_i(w^Tx_i+b) \geq1,i=1,\cdots,N PLA感知机，可以看作最基本的神经元 f(w) = sign(w^Tx) LDA线性判别分析(误分类驱动) 核心思想: 类间大、类内小 软模型概率判别模型 建模核心 是对P(x,y)进行建模 例子_逻辑回归(Logistics Regression, LR)，或者也可以叫SoftMax Regression 例子_最大熵模型(Maximum Entropy Model, MEM) 利用最大熵思想( ...

贪心算法概念案例

动态规划概念动态规划(英语：Dynamic programming，简称 DP)，是一种在数学、管理科学、计算机科学、经济学和生物信息学中使用的，通过把原问题分解为相对简单的子问题的方式求解复杂问题的方法 动态规划常常适用于有重叠子问题和最优子结构性质的问题 适用情况 动态规划有几个典型特征，最优子结构、状态转移方程、边界、重叠子问题 最优子结构: 如果某条路径是起点到终点的最短路径，则起点到该路径上的每一点都是最短路径，一个最优化策略的子策略总是最优的，最优化原理是动态规划的基础 无后效性: 当前选择任何一条边都不会影响以后选择其他边，如果当前选择会影响后面的选择则不适用，每个状态都是过去历史的一个完整总结 动态规划解题的步骤 找出最优子结构 写出动态规划方程 使用自底向上或者自顶向下的方法求解 逆推求解 小结 动态规划的适用条件任何思想方法都有一定的局限性，超出了特定条件，它就失去了作用 同样,动态规划也并不是万能的，适用动态规划的问题必须满足最优化原理和无后效性 动态规划的实质是分治思想和解决冗余，因此，动态规划是一种将问题实例分解为更小的、相似的子问题，并存 ...

递推和递归概念 递归: 从问题的最终目标出发，逐渐将复杂问题化为简单问题，最终求得问题，是逆向的 递推: 是从简单问题出发，一步步的向前发展，最终求得问题。是正向的 一般来说，递推的效率高于递归(当然是递推可以计算的情况下)，比如：斐波那契数列 a_{n} = \frac {1}{\sqrt{5} [ (\frac {1+\sqrt{5}}{2})^n - (\frac {1-\sqrt{5}}{2})^n ]}案例递归实现指数型枚举题目 描述 从 $1∼n$ 这 $n$ 个整数中随机选取任意多个，输出所有可能的选择方案 难度 简单 输入格式 输入一个整数 $n$ 输出格式 每行输出一种方案 同一行内的数必须升序排列，相邻两个数用恰好 $1$ 个空格隔开。 对于没有选任何数的方案，输出空行 本题有自定义校验器（SPJ），各行（不同方案）之间的顺序任意 数据范围 1 \leq n \leq 15 输入样例 13 输出样例 1234567322 311 31 21 2 3 求解 递归方式 1234567891011n = input()def dfs(u, ...

位运算基础位运算基础可以见python基础知识 计算位运算计算时间为O(1) 移位运算 左移: 逻辑右移: 就是不考虑符号位，右移一位，左边补零即可 算术右移: 考虑符号位，右移一位，若符号位为1，就在左边补1；否则，就补0 n >> 1 = \lfloor \frac{n}{2.0} \rfloor 算术右移也可以进行有符号位的除法，右移n位就等于除2的n次方 🍆n>>1是向下取整，n/2是整数除法，是向0取整 1234567[(i // 2, i >> 1) for i in range(10)]# 输出[(0, 0), (0, 0), (1, 1), (1, 1), (2, 2), (2, 2), (3, 3), (3, 3), (4, 4), (4, 4)] 位运算小技巧 用异或实现配偶 123456789100, 12, 34, 56, 70 ^ 1 = 1, 1 ^ 1 = 02 ^ 1 = 3, 3 ^ 1 = 2...4 ^ 1 = 5, 5 ^ 1 = 4... 12345678[i ^ 1 for i in range ...

算法 算法定义 算法是一系列解决问题的清晰指令 算法代表着用系统的方法描述解决问题的策略机制 也就是说，能够对一定规范的输入，在有限时间内获得所要求的输出 如果一个算法有缺陷，或不适合于某个问题，执行这个算法将不会解决这个问题 不同的算法可能用不同的时间、空间或效率来完成同样的任务 算法的优劣可以用空间复杂度与时间复杂度来衡量 分类 有限的，确定性算法: 这类算法在有限的一段时间内终止。他们可能要花很长时间来执行指定的任务，但仍将在一定的时间内终止，这类算法得出的结果常取决于输入值 有限的，非确定算法: 这类算法在有限的时间内终止。然而，对于一个(或一些)给定的数值，算法的结果并不是唯一的或确定的 无限的算法: 是那些由于没有定义终止定义条件，或定义的条件无法由输入的数据满足而不终止运行的算法 通常，无限算法的产生是由于未能确定的定义终止条件 算法复杂度 定义 算法复杂度，即算法在编写写成可执行程序后，运行时所需要的资源，资源包括时间资源和内存资源 复杂度表示 我们记一个算法的复杂度为O(n)，表示数据规模为n的情况下，算法使用的时间和空间资源 也可以用O(n ...

表情 ⚓表情网站 ⛪emoji表情官网 ⛺timwhitlock表情 🌴常用表情 😀 😃 🥰 😍 😘 ❤️ ✨ ⭐ ❗❓ ❕❔ ✊ ✌️ ✋ ✋ ☝️ 👏 🤝 ☀️ ☔ ☁️ ❄️ ⛄ ⚡ ⛅ ⛪ ⛺ ⛲ ⛵ ⛵ ⚓ ✈️ ⛽ ⚠️ ♨️ 1️⃣ 2️⃣ 3️⃣ 4️⃣ 5️⃣ 6️⃣ 7️⃣ 8️⃣ 9️⃣ 0️⃣ ️⃣ ◀️ ⬇️ ▶️ ⬅️ ↙️ ↘️ ➡️ ⬆️ ↖️ ↗️⏬ ⏫ ⤵️ ⤴️ ↩️ ↪️ ↔️ ↕️ ⏪ ⏩ ℹ️ ️ ️ ️ ♿ ㊙️ ㊗️ Ⓜ️ ⛔ ✳️ ❇️ ✴️ ♈ ♉ ♊ ♋ ♌ ♍ ♎ ♏ ♐ ♑ ♒ ♓ ⛎ ❎ ️ ️ ️ ♻️ ©️ ®️ ™️ ❌ ❗ ‼️ ⁉️ ⭕ ✖️ ➕ ➖ ➗ ✔️ ☑️ ➰ 〰️ 〽️ ▪️ ▫️ ◾ ◽ ◼️ ◻️ ⬛ ⬜ ✅ ⚫ ⚪ 🌿 🍃 🌾 🌴 🌲 🥝 🥑 🍇 🍒 🍐 🌼 🍁 🥭 🌸 🍄 🐋 🐬 🐶 🐳 🐰 🦀 ☝️ ⭐ 👉 👀 🌚 🌝 🧡ྀི 💛ྀི ❤️ྀི ❤️ 🌈 💯 🐾 🍭 🥂 🎼 🏀 👏 Latex公式 Ma ...

写在前面，本系列主要是对下面这本书做的学习笔记 向量及其运算基本概念线性代数是多元函数微积分的基础 定义 向量(Vector)是具有大小和方向的量，是由多个数构成的一维数组，每个数称为向量的分量，向量分量的数量称为向量的维数 向量的表示 物理中的力、速度以及加速度是典型的向量，$n$维向量$x$有$n$个分量，可以写成行向量的形式$(x_1 \cdots x_n)$ 通常将向量写成小写黑体斜体字符，如果写成列的形式则称为列向量，这些分量在列方向排列 \begin{bmatrix} x_1 \\ \vdots \\ x_n \end{bmatrix}这些向量的分量是实数，则成为实向量，如果是复数，则成为复向量，$n$维实向量的集合记为$\mathbb{R}^n$ 与向量相对的是标量(Scalar)，标量只有大小而无方向，物理中的时间、质量以及电流是典型的标量 在数学中通常把向量表示成列向量，而计算机中通常按行存储 二维平面内的一个向量，其在$x$轴方向和$y$轴方向的分量分别为$3$和$1$，写成行向量形式为$\left[ \begin{matrix} 3 & ...

docker docker官方文档 Docker 快速入门 Docker 安装包下载 docker是什么Docker 是一个应用打包、分发、部署的工具 你也可以把它理解为一个轻量的虚拟机，它只虚拟你软件需要的运行环境，多余的一点都不要 而普通虚拟机则是一个完整而庞大的系统，包含各种不管你要不要的软件 跟普通虚拟机的对比 特性 普通虚拟机 Docker 跨平台 通常只能在桌面级系统运行，例如 Windows/Mac，无法在不带图形界面的服务器上运行 支持的系统非常多，各类 windows 和 Linux 都支持 性能 性能损耗大，内存占用高，因为是把整个完整系统都虚拟出来了 性能好，只虚拟软件所需运行环境，最大化减少没用的配置 自动化 需要手动安装所有东西 一个命令就可以自动部署好所需环境 稳定性 稳定性不高，不同系统差异大 稳定性好，不同系统都一样部署方式 打包、分发、部署 打包：就是把你软件运行所需的依赖、第三方库、软件打包到一起，变成一个安装包 分发：你可以把你打包好的“安装包”上传到一个镜像仓库，其他人可以非常方便的获取和安装 部署： ...