0
推荐
2402
阅读
从小白到入门算法，我的经验分享给你～
研究生三年，作为一名非计算机专业的学生，能够从一名纯小白(Python不会，机器学习没听说过)到最后校招拿到几个不错的offer，个人感觉可以给自己打个及格分吧。写本文的目的，一是对自己研究生阶段所学习的知识做一个总结，二是希望对那些刚接触机器学习，准备往这个方向发展的同学们提供一些可借鉴的经验。1、入门Pytho...
0
推荐
3154
阅读
推荐系统遇上深度学习(三十)--深度矩阵分解模型理论及实践
本篇为推荐系统遇上深度学习系列的第30篇文章，也是2019年以来的第一篇文章，2019年希望该系列能够到50篇！加油！本文提出了一种基于神经网络结构的矩阵分解模型。该模型综合考虑了用户对物品的显式评分和非偏好隐式反馈，然后通过两组神经网络将用户和物品的特征提取到一个低维空间；并通过设计的新的损失函数进行反向...
1
推荐
2706
阅读
Categorical DQN-一种建模价值分布的深度强化学习方法！
之前介绍的DQN及其各种变体，网络输出的都是状态-动作价值Q的期望预估值。而本文将介绍的Categorical DQN，它建模的是状态-动作价值Q的分布。这样的估计方法使得估计结果更加细致可信。本文的论文名称为《A Distributional Perspective on Reinforcement Learning》，地址为：https://arxiv.org/abs/1707.06887。不过论...
0
推荐
2810
阅读
增强模型的探索能力-强化学习NoisyNet原理及实现！
增加Agent的探索能力是强化学习中经常遇到的问题，一种常用的方法是采用e-greedy的策略，即以e的概率采取随机的动作，以1-e的概率采取当前获得价值最大的动作。本文我们将介绍另一种方法：NoisyNet，该方法通过对参数增加噪声来增加模型的探索能力。1、NoisyNet的原理我们的噪声通常添加在全连接层，考虑我们全连接层的...
0
推荐
2118
阅读
强化学习反馈稀疏问题-HindSight Experience Replay原理及实现！
在强化学习中，反馈稀疏是一个比较常见同时令人头疼的问题。因为我们大部分情况下都无法得到有效的反馈，模型难以得到有效的学习。为了解决反馈稀疏的问题，一种常用的做法是为Agent增加一些内在的目标使反馈变的不再稀疏。本文将介绍一种修改目标，使有效回报数量变多的方法。该方法称为Hindsight Experience Replay，...
0
推荐
2230
阅读
numpy中的hstack()、vstack()、stack()、concatenate()函数详解
本文主要介绍一下numpy中的几个常用函数，包括hstack()、vstack()、stack()、concatenate()。1、concatenate()我们先来介绍最全能的concatenate()函数，后面的几个函数其实都可以用concatenate()函数来进行等价操作。concatenate()函数根据指定的维度，对一个元组、列表中的list或者ndarray进行连接，函数原型：numpy.co...
1
推荐
4010
阅读
一步步解析Attention is All You Need！
本文将通过细节剖析以及代码相结合的方式，来一步步解析Attention is all you need这篇文章。这篇文章的下载地址为：https://arxiv.org/abs/1706.03762本文的部分图片来自文章：https://mp.weixin.qq.com/s/RLxWevVWHXgX-UcoxDS70w，写的非常好！本文边讲细节边配合代码实战，代码地址为：https://github.com/princewen/...
0
推荐
7917
阅读
Proximal Policy Optimization(PPO)算法原理及实现！
这两天看了一下李宏毅老师的强化学习课程的前两讲，主要介绍了Policy Gradient算法和Proximal Policy Optimization算法，在此整理总结一下。视频地址：https://www.bilibili.com/video/av24724071/?p=41、PG算法回顾在PG算法中，我们的Agent又被称为Actor，Actor对于一个特定的任务，都有自己的一个策略π，策略π通常用一...
1
推荐
3494
阅读
推荐系统遇上深度学习(二十八)--知识图谱与推荐系统结合之MKR模型原理及实现
知识图谱特征学习在推荐系统中的应用步骤大致有以下三种方式：依次训练的方法主要有：Deep Knowledge-aware Network(DKN)联合训练的方法主要有：Ripple Network交替训练主要采用multi-task的思路，主要方法有：Multi-task Learning for KG enhanced Recommendation (MKR)本文先来介绍交替训练的方法MKR。网上没有找到相...
1
推荐
3729
阅读
推荐系统遇上深度学习(二十七)--知识图谱与推荐系统结合之RippleNet模型原理及实现
知识图谱特征学习在推荐系统中的应用步骤大致有以下三种方式：依次训练的方法主要有：Deep Knowledge-aware Network(DKN)联合训练的方法主要有：Ripple Network交替训练主要采用multi-task的思路，主要方法有：Multi-task Learning for KG enhanced Recommendation (MKR)本文先来介绍联合训练的方法Ripple Network。论文...
0
推荐
3843
阅读
推荐系统遇上深度学习(二十六)--知识图谱与推荐系统结合之DKN模型原理及实现
在本系列的上一篇中，我们大致介绍了一下知识图谱在推荐系统中的一些应用，我们最后讲到知识图谱特征学习(Knowledge Graph Embedding)是最常见的与推荐系统结合的方式，知识图谱特征学习为知识图谱中的每个实体和关系学习到一个低维向量，同时保持图中原有的结构或语义信息，最常见的得到低维向量的方式主要有基于距离的...
0
推荐
4253
阅读
推荐系统遇上深度学习(二十五)--当知识图谱遇上个性化推荐
1、推荐系统的任务和难点推荐问题的本质是代替用户评估其从未看过、接触过或者使用过的物品。推荐系统一般分为两类：评分预测：预测用户对物品的评价。比如在电影推荐中，系统需要预测用户对电影的评分，并以此为根据推送给用户可能喜欢的电影。这种场景下，我们经常使用的数据是用户对历史观看过的电影的评分数据，这些...
3
推荐
10001
阅读
推荐系统遇上深度学习(二十四)--深度兴趣进化网络DIEN原理及实战！
在本系列的第十八篇(https://www.jianshu.com/p/73b6f5d00f46)中，我们介绍了阿里的深度兴趣网络(Deep Interest Network，以下简称DIN)，时隔一年，阿里再次升级其模型，提出了深度兴趣进化网络(Deep Interest Evolution Network,以下简称DIEN，论文地址：https://arxiv.org/pdf/1809.03672.pdf)，并将其应用于淘宝的广...
1
推荐
3142
阅读
ARIMA模型原理及实现
1、数据介绍再介绍本篇的内容之前，我们先来看一下本文用到的数据。本文用到的中国银行股票数据下载：http://pan.baidu.com/s/1gfxRFbH，提取码d3id。我们先来导入一下我们的数据，顺便画出收盘价数据的折线图：import pandas as pd
import matplotlib.pyplot as plt
ChinaBank = pd.read_csv('ChinaBank.csv',index_col...
0
推荐
2802
阅读
残差网络ResNet网络原理及实现
论文地址：https://arxiv.org/pdf/1512.03385.pdf1、引言-深度网络的退化问题在深度神经网络训练中，从经验来看，随着网络深度的增加，模型理论上可以取得更好的结果。但是实验却发现，深度神经网络中存在着退化问题(Degradation problem)。可以看到，在下图中56层的网络比20层网络效果还要差。上面的现象与过拟合不同，...