其他

1.    勤能補拙，一個人的成功，往往在于堅持。當你感覺到艱難的時候，正是你在走上坡路的時候。希望在軟體上做的比較深入的朋友們有機會學學硬體以及其它相關知識，尤其是做底層開發和嵌入式設計的。這對軟體技術的提高有非常大的協助，否則很多事情你只知道該這樣但不會明白為什麼該這樣。 2.    愛因斯坦在63歲時說過“一個人沒有在30歲以前達成科學上的最大成就，那他永遠都不會有。”

已經好幾天了，大宇宙還沒有給打電話，但是給別人打了，我估計應該是掛了。很難受，唉。筆試過了，第一次面試就這麼掛了。 其實我覺得還是能總結出一些問題來的，我們十幾個同學一起去的，面試官的問題真的是問別人的就是專業問題，到我這就是你這個電話是176的。。。。。。176的怎麼了。。。。我笑著說是中國聯通的，問我如果工作後是不是要在這租房，我說是。。。。很尷尬

開發中利用spring可以減輕程式員工作負擔，提高代碼的複用率，降低程式的耦合性，簡化代碼易於程式的擴充和維護。那麼spring是如何?這些功能的呢，spring在開發中為我們做了哪些事呢。 1、spring實現了ioc 即控制反轉，將對象的建立的控制權由程式員的手動建立轉變為spring容器來協助我們實現對象的建立。 這麼做有什麼好處呢。 a）程式員建立對象變得輕鬆，不需要使用一次對象就建立一次對象，只需在spring設定檔中編寫對象的bean並且注入對象的屬性。

在推薦系統簡介中，我們給出了推薦系統的一般架構。很明顯，推薦方法是整個推薦系統中最核心、最關鍵的部分，很大程度上決定了推薦系統效能的優劣。目前，主要的推薦方法包括：基於內容推薦、協同過濾推薦、基於關聯規則推薦、基於效用推薦、基於知識推薦和組合推薦。 一、基於內容推薦 基 於內容的推薦（Content-based Recommendation）是資訊過濾技術的延續與發展，它是建立在項目的內容資訊上作出推薦的，而不需要依據使用者對項目的評價意見，更多地需要用機

一.推薦系統的總體架構 1.1選取使用者偏好 二.開源的推薦系統 2.1協同過濾及其演算法 (1)資料預先處理與UI矩陣:分組為"查看"和"購買"，對資料進行一定的預先處理，減噪和歸一化 (2)推薦模型:User CF和Item CF:基於物品的協同過濾(Amason，Netfix,Hulu,YouTube等採用)這裡使用kNN近鄰演算法。 (1)User CF # -*- coding: utf-8 -*-from numpy import

我們從一個例子開始定義推薦系統的問題。 假使我們是一個電影供應商,我們有 5 部電影和 4 個使用者,我們要求使用者為電影打分。 基於內容的推薦系統 在一個基於內容的推薦系統演算法中,我們假設對於我們希望推薦的東西有一些資料,這 些資料是有關這些東西的特徵。 在我們的例子中,我們可以假設每部電影都有兩個特徵,如 x1 代表電影的浪漫程度, x2 代表電影的動作程度。 其中 i:r(i,j)表示我們只計算那些使用者 j

1. 從物理意義出發的觀點 什麼是推薦系統。以電影推薦為例，就是對於一部電影，我們預測某個使用者對一部電影的評分。 我們用如上所示符號來表示。值得注意的是，很有可能使用者沒有給某電影打分，此時 r(i,j)=0 。 這裡需要理清： 對於一個電影，我們需要找到一些特徵空間 X 來衡量這個電影； 對於一個使用者，我們需要找到一些參數 h(x)=wTx 來預測使用者對這部電影的評分。 然而問題是：我們既沒有 X 也沒有對於使用者i的 wi ，也就是說這兩者都需要學習。

一： 推薦系統任務：聯絡使用者和資訊，一方面協助使用者發現對自己有價值的資訊，另一方面讓資訊能夠展現在對它感興趣的使用者面前，從而實現資訊消費者和資訊生產中的雙贏。 長尾理論：傳統80/20(%80銷售額來自於20%熱門商品)原則在互連網加入下受到挑戰。長尾商品銷售額是個不容小覷的數字，也許會超過熱門商品帶來的銷售額。熱門商品代表絕大多數使用者需求，而長尾商品代表一小部分使用者個人化需求。因此要發掘長尾以提高銷售，就必須充分研究使用者興趣。 社會化推薦：通過社交關係來獲得推薦。

據GIGAOM報道，近日，Facebook人工智慧研究院（FAIR）開源了一系列軟體庫，以協助開發人員建立更大、更快 的深度學習模型。開放的軟體庫在Facebook被稱作模組。用它們替代機器學習領域常用的開發環境Torch中的默 認模組，可以在更短的時間內訓練更大規模的神經網路模型。   如果想瞭解更多的內容，可以參考下面的一些文章。   1.

關於ARC 從iOS5開始, 就支援自動引用計數(Automatic Reference Counting, ARC)了, 所以就變得更為簡單了。ARC幾乎把所有記憶體管理事宜都交由編譯器來決定, 開發人員只需專註於商務邏輯。 關於ARC的一些看法 1.ARC是不是和Java的GC類似，都會導致一部分效能損耗。 首先，ARC和GC是兩碼事，ARC是編譯時間編譯器“幫你”插入了原本需要自己手寫的記憶體管理代碼，而非像GC一樣運行時的記憶體回收系統。

目錄 1.緒論 1.1.概述 1.2 機器學習簡史 1.3 機器學習改變世界：基於GPU的機器學習執行個體      1.3.1 基於深度神經網路的視覺識別      1.3.2 AlphaGO      1.3.3 IBM Waston 1.4 機器學習方法分類和本書組織 1.3.2 AlphaGO

酷派真是坑，官方出個移動版(硬體P2)，又來個移動定製版(硬體P0)，兩個版本的硬體還不同，導致移動定製版刷了移動版的Recovery後進不了Recovery. 個人移植了叮咚Recovery，僅適用於移動定製版 下載地址就不給了，歡迎大家來QQ群裡討論和下載： 點選連結加入群【酷派大神F2移動定製版】：http://jq.qq.com/?_wv=1027&k=fSboQH

1.core dump介紹         程式異常退出（crash）時會自動產生一個core檔案，包含了程式運行時的記憶體，寄存器狀態，堆棧指標，記憶體管理等資訊，也就是把程式當時工作的狀態儲存成一個檔案。不僅僅是在出錯的時候會產生core dump檔案，在系統卡住或者cpu使用率很高的時候也可以手動觸發產生core dump檔案（當然這種情況也可以直接通過jmap和jstack dump出記憶體和線程堆棧，但JDK1

學習/訓練演算法分類      神經網路類型的不同，對應了不同類型的訓練/學習演算法。因而根據神經網路的分類，總結起來，傳統神經網路的學習演算法也可以主要分為以下三類：    1）前饋型神經網路學習演算法-----（前饋型神經網路）    2）反饋型神經網路學習演算法------（反饋型神經網路）    3）自組織神經網路學習演算法------（自組織神經網路）  

Embedding層 keras.layers.embeddings.Embedding(input_dim, output_dim, embeddings_initializer='uniform', embeddings_regularizer=None, activity_regularizer=None, embeddings_constraint=None, mask_zero=False, input_length=None) 嵌入層將正整數（下標）轉換為具有固定大小的向量，

Embedding層 keras.layers.embeddings.Embedding(input_dim, output_dim, embeddings_initializer='uniform', embeddings_regularizer=None, activity_regularizer=None, embeddings_constraint=None, mask_zero=False, input_length=None) input_dim：大或等於0

簡介 一般用於sequence2sequence網路，可完成對輸入序列資料的嵌入工作。一般只需給出前三個參數。 tf.contrib.layers.embed_sequence(ids, vocab_size,  embed_dim) ids: 形狀為[batch_size, doc_length]的int32或int64張量，也就是經過預先處理的輸入資料。 vocab_size: 輸入資料的總詞彙量，指的是總共有多少類詞彙，不是總個數

what is emdding embedding就是把字詞用向量表示出來，相當於是對字詞做encoding motivation 比如 貓，狗，我們當然可以直接把他們表示為一些獨立的離散符號，但是這樣的表示毫無意義，而且會產生大量稀疏資料。使我們在訓練統計模型時不得不尋求更多的資料。而詞彙的向量表示將克服上述的難題。 background VSM（vector space model） 核心思想就是把一些詞用向量空間的表示方法。最基本的應用，就是tf-idf。

希望學習機器學習的童鞋們的福音到了，全球AI第一大公司Google推出了“機器學習速成課程”，不僅全程中文，而且還免費聽哦。 課程一共15個小時，課程緊湊，所以讀者朋友們，還是需要您有一定的基礎知識的哈； 課程主要分為三大部分： 第一部分：機器學習概念 第二部分：機器學習工程 第三部分：機器學習系統在現實世界裡的應用 最後不僅僅如此哦：Google還提供了Colaboratory 平台直接在瀏覽器中運行編程練習（無需設定。）。

基本思想 在中文中，我們都知道漢字是由若干部分組成的，稱為偏旁。而且偏旁也往往能夠提供豐富的語義資訊。比如，單人旁組成的字往往意指人，如“他”、“你”等；三點水為部首的字往往與水有關，如“海”、“江”等。因此，一個非常自然的想法就是將偏旁資訊融入到詞向量的產生過程中。Yanran Li等人發表的論文 《Component-Enhanced Chinese Character Embeddings》就是在這方面做得一個嘗試。 引入 對於中文，現在分為簡體字和繁體字，其文字的筆劃是不一樣的，