其他

/* 著作權聲明：可以任意轉載，轉載時請務必標明文章原始出處和作者資訊 .*/                 Author:   張俊林   

從貝葉斯角度，正則項等價於引入參數 w 的先驗機率分布。常見的L1/L2正則，分別等價於引入先驗資訊：參數 w 符合均值為0的拉普拉斯分布/高斯分布。 貝葉斯方法的參數估計 後驗機率的展開形式 參數的先驗機率與正則項 模型舉例 羅吉斯迴歸 線性迴歸 貝葉斯方法的參數估計 貝葉斯方法的參數估計，就是通過最大化後驗機率來估計模型的參數。 假定模型參數為 w ，資料集為 D ，貝葉斯通過最大化後驗機率估計模型參數 w ，即：

     接觸大資料技術已經兩年多，期間使用了Hadoop,Spark等等的大資料架構，發現雖然會用這些東西，但是感覺不掌握個機器學習的相關知識，總覺得大資料的威力不能得到發揮的感覺，於是最近開始進行相關的研究，開始的時候單純的以為買本Spark機器學習的書看下就差不多了，照著上面的例子劈裡啪啦的一頓敲，敲完後才發現根本不是那回事，由於缺乏對演算法背景的瞭解，所以基本都是記憶性的敲，至於為什麼那樣，以及Spark

碼農穀致力於為程式設計教學提供服務，降低教學工作的強度，改進教學效果，降低學習編程的難度，增加編程的樂趣，提高學習效率。為了提高全國大學生學習程式設計的興趣和能力，推動大學程式設計課程的教學改革，為在程式設計方面有特長的同學提供展示才能的舞台，加強編程學習者之間的溝通與交流，碼農穀特主辦全國大學生程式設計大賽。 一、競賽簡介 1、碼農穀全國大學生程式設計邀請賽分為資格賽、初賽、複賽、總決賽四個輪次。 2、全國範圍內的在校大學生（含全日制碩士和博士研究生）均可憑邀請碼（邀請碼：6537

                         多媒體資訊檢索研究報告<?xml:namespace prefix = o ns = "urn:schemas-microsoft-com:office:office" />

看懂資訊檢索和網路資料採礦領域論文的必備知識總結 資訊檢索和網路資料領域（WWW, SIGIR, CIKM, WSDM, ACL, EMNLP等）的論文中常用的模型和技術總結 引子：對於這個領域的博士生來說，看懂論文是入行瞭解大家在做什麼的研究基礎，通常我們會去看一本書。看一本書固然是好，但是有一個很大的缺點：一本書本身自成體系，所以包含太多東西，很多內容看了，但是實際上卻用不到。這雖然不能說是一種浪費，但是卻沒有把有限力氣花在刀口上。

資訊檢索和網路資料領域（WWW, SIGIR, CIKM, WSDM, ACL, EMNLP等）的論文中常用的模型和技術總結 引子：對於這個領域的博士生來說，看懂論文是入行瞭解大家在做什麼的研究基礎，通常我們會去看一本書。看一本書固然是好，但是有一個很大的缺點：一本書本身自成體系，所以包含太多東西，很多內容看了，但是實際上卻用不到。這雖然不能說是一種浪費，但是卻沒有把有限力氣花在刀口上。 我所處的領域是關於網路資料的處理（國際會議WWW, SIGIR,

       如何構建倒排索引，我們將這個過程叫做“索引構建”。如果我們的文檔很多，這樣索引就一次性裝不下記憶體，該如何構建。 硬體的限制     我們知道ram讀寫是隨機的操作，只要輸入相應的地址單元就能瞬間將資料讀出來或者寫進去。但是磁碟不行，磁碟必須有一個尋道的過程，外加一個旋轉時間。那麼只有涉及到磁碟，我們就可以考慮怎麼節省I/O操作時間。

Google基於CNN+RNN開發了一個Image Caption Generator: http://bengio.abracadoudou.com/cv/publications/pdf/vinyals_2015_cvpr.pdf 自動描述映像內容的應用：協助視力有缺陷的人更好的理解網路上的圖片。 這個任務比電腦視覺領域通常關注的映像分類、物體識別任務更難。任務的目的：object+object relation + object attributes + activity

初入科研坑，基本概念都不懂，為了對一些必要的簡單知識增加一下記憶，就整理這篇文章，就當是本字典，以備之後忘記了隨時查閱。 參考一些大神們的解釋，今天要總結的知識點是對檢索結果評判的一些標準，主要包括：準確率（Precision rate）、召回率（Recall rate）、F值、平均精度（mAP）、最近鄰（NN） 準確率（Precision rate）、召回率（Recall rate）、F值 召回率(Recall)  =  系統檢索到的相關檔案 /

Xu, Kelvin, et al. “Show, attend and tell: Neural image caption generation with visual attention.” arXiv preprint arXiv:1502.03044 (2015). 聚焦機制（Attention Mechanism）是當下深度學習前沿熱點之一，能夠逐個關注輸入的不同部分，給出一系列理解。這篇論文是聚焦機制代表作，完成了映像理解中頗具難度的“看圖說話”任務。

Deep neural networks are easily fooled, Nguyen et al, 2015 Practical black-box attacks against deep learning systems using adversarial examples, Papernot et al, 2016 Adversarial examples in the physical world, Goodfellow et al, 2017

介紹 Image Caption是電腦視覺和自然語言處理相結合的一個任務，作者提出了一種基於神經網路的方法，將用於物體識別的cnn網路和用於機器翻譯的lstm網路拼接起來，通過極大化正確描述的似然函數來訓練這個網路。發表論文時，pascal資料集上bleu-1得分最高是25分，作者的模型可以到59分，人類水平大約是69分。 該文主要是由於當時機器翻譯模型的一些突破性進展，使用rnn模型的話，單個任務驅動，使用一個編碼器產生固定長度向量表示，再使用一個解碼器產生目標句子。 於是，

原文連結：Contrastive Learning for Image Captioning Introduction 本文的提出的Contrastive Learning (CL) 主要是為瞭解決Image Caption任務中產生的Caption缺少Distinctiveness的問題。

小程式員的趣味題（一） 1.在排序數組中，找出某整數出現的次數 問題定義：給定一個整數數組arr，數組中元素的個數是n，數組arr已經排好序，要在arr中找到某個某個整數x出現的次數，比如arr[] = {1,2,2,3,5,10}，找到2的出現次數就是2。

我寫代碼已超過 20 年了，並且迄今為止也教了大約 6 門編程入門課，總課時已經 1000 多個小時了。以下是一些我跟學生至少說過一次的（入門編程的）建議，排名不分先後。 歡迎來到編程的世界。 1. 編程真的很難 無論你多擅長編程，唯一能降低開發速度的，就是學習和解決問題的能力。而當你越是擅長編程的時候，這種情況就可能越明顯。這是一個非常迷人的特質—你永遠不會厭倦編程。如果你厭倦了，那麼你的做法肯定是錯的，你應該去總結思考你在重寫的代碼。 2. 編程也會是最令人沮喪的事情之一

來自Ashish Shrivastava 1 等人的文章“Learning from Simulated and Unsupervised Images through Adversarial Training”。 摘要 無需昂貴的標註，用合成映像更容易訓練模型。但因合成映像分布與真實映像分布的差異，用合成映像學習效果不理想。因此提出： “類比+無監督”（S+U）學習：保留模擬器給出的標註資訊的同時，用無標籤的真實資料來提高模擬器（simulator）輸出的真實度。

1036. 跟奧巴馬一起編程 美國總統奧巴馬不僅呼籲所有人都學習編程，甚至以身作則編寫代碼，成為美國歷史上首位編寫電腦代碼的總統。2014年底，為慶祝“電腦科學教育周”正式啟動，奧巴馬編寫了很簡單的電腦代碼：在螢幕上畫一個正方形。現在你也跟他一起畫吧。 輸入格式： 輸入在一行中給出正方形邊長N（3<=N<=20）和組成正方形邊的某種字元C，間隔一個空格。 輸出格式：

如何給馬寶寶取一個好聽的名字 孩子的名字向來是父母非常重視的。其中包含父母對孩子深深的愛，對孩子的將來美好的企盼、對實現父母末實現的夢想的一種期待。現在是高科技飛速發展、資訊飛速傳遞的時代，實在不宜給馬寶寶起一些拗口咬嘴、難讀難寫、筆畫繁雜、生僻古怪、庸俗的名字。更不要自已造字去背離了漢字的基本要求。起名應參照如下見議： 　　1、清新，有美好的含意。巧妙地與姓氏妙搭配更好;在中國人看來，起個含意深刻、講究字義的好名字是個起碼要求；

          摒棄自大，摒棄自我主義，我就像是小圓，懂得太少，未知的太多，卻還在沾沾自喜，為一點小成就沾沾自喜，以致現在哭的眼睛酸痛，眼前的現狀很不盡如人意，一切都是自己的選擇，如果不想今日的明日成為死期就大膽的堅持下來，努力剋制自己，好好做網站，好好看書，好好沉澱自己，晚上做個詳細的計劃，沒有完成之前神馬都不要想，神馬都不要想，include anything。