写Rap,编菜谱,你画我猜……这些 AI demo 我可以玩一天! 27
上次写的那篇 《Prompt 综述+15篇最新论文梳理]》 有亿点点肝。这次给大家整点轻松好玩的(顺便给这篇推文打个广告,快去看!)。 不知道读者朋友们有没有遇到这样的情况:有新的论文发表了,很想跑作者的模型玩一玩,但是又懒得复现,所以只能压抑着自己的好奇心... 直到有一天,我发现 Hugging Face 有一个叫 Spaces 的板块,专门放一些机器学习 API 供大家试玩... 这就很有意...
上次写的那篇 《Prompt 综述+15篇最新论文梳理]》 有亿点点肝。这次给大家整点轻松好玩的(顺便给这篇推文打个广告,快去看!)。 不知道读者朋友们有没有遇到这样的情况:有新的论文发表了,很想跑作者的模型玩一玩,但是又懒得复现,所以只能压抑着自己的好奇心... 直到有一天,我发现 Hugging Face 有一个叫 Spaces 的板块,专门放一些机器学习 API 供大家试玩... 这就很有意...
尽管BERT为代表的预训练模型大肆流行,但是身处工业界才会知道它落地有多难,尤其是QPS动辄几百的在线推荐、搜索系统,哪怕在大厂也很难在线上系统见到它们。 今天就想反其道而行之,谈谈工业界搜索、推荐、广告这类核心场景中落地能力最强的算法(之一):因子分解机(FM)。我不敢说它是最简单的(FM的确很简单),但是作为一个推荐算法调参工程师,掌握FM一定是性价比最高的。我推崇FM算法的原因,有以下三点:...
牛顿说:「解释自然界的一切,应该追求使用最少的原理。」 介绍 我们很少听到一个三词短语,能将统计学习、信息论和自然哲学的一些核心概念融合到一起。它对于任何有探索兴趣的人来说,都有精确且易于理解的含义,而且对 ML 和数据科学的研究人员,它应该是个有实用性的词。 我说的就是「最小描述长度」(Minimum Description Length)。你可能在想这到底是什么…… 让我们拨开层层迷雾,看看它...
0 一起走过的 首先,小夕带领大家回顾一下文章《逻辑回归》、《Sigmoid与Softmax》、《朴素贝叶斯》中的几点内容,这几点内容也是本文的前置知识: 1. 逻辑回归模型的表达式(假设函数):,其中。 2. 逻辑回归模型本质上是二类分类问题中其中一个类别的后验概率。 3. 用于二类分类的sigmoid函数只是用于多类分类的softmax函数的一个特例。 4. 朴素贝叶斯模型本质上计算并...
自GPT、BERT问世以来,预训练语言模型在NLP领域大放异彩,刷新了无数榜单,成为当前学界业界的心头爱,其主体结构——Transformer——也在逐步的运用于其他领域的任务中,常见的如与CV的跨界,也有相对小众的bioinfo的任务(如蛋白质分类),然后此时问题来了,NLP领域技术成熟数据丰富,相比之下,其他领域或许不那么充足,那么曾经在 文本 数据上预训练的模型对 模态 有没有迁移作用呢? ...
利用独立性的优势函数估计方法 论文链接: https://www.ijcai.org/proceedings/2021/0461.pdf 在强化学习中,优势函数 (advantage function) 普遍采用蒙特卡洛 (MC)、时间差分 (TD),以及一种将前两者结合的优势函数估计算法(GAE) 等进行估计,而这些算法都存在方差较高的问题。因此,微软亚洲研究院的研究员们首次提出通过利...
在此就不介绍机器学习的概念了。 Learning Map(学习导图) 先来看一张李宏毅大大的总图↓ 鉴于看起来不是很直观,我“照虎画猫”做了一个思维导图如下: 理论上Supervised Learning分支下的内容都可以放在其他Learning Map大类下。 Supervised Learning 所谓监督学习,就是我们告诉机器说,当这个function看到某种input则输出a,看到另一种i...
LR本身是一个经典的CTR模型,广泛应用于推荐/广告系统。输入的特征大多数是离散型/组合型。那么对于Embedding技术,如何在不使用深度学习模型的情况下(假设就是不能用DNN),融入到LR框架中呢?让我们来看看清华大学的博士石塔西大佬是如何解答的。 问题实战意义 其实这个问题可以再扩展一下,即,如何在传统机器学习算法(LR/GBDT)中使用Embedding信息。 这个问题并非空穴来风,而是有...
来自 | AI遇见机器学习一、机器学习定义深度学习的兴起引领了人工智能的有一股热潮,特别是阿尔法狗(AlphaGO)在围棋中战胜了世界冠军之后,各大社交媒体大肆宣传,把深度学习形容的玄乎其玄,人工智能的概念就走进千家万户了。回到正题,这篇推文是复习一下机器学习的基础知识,首先以下是机器学习的介绍和定义。机器学习(Machine Learning, ML)是一门多领域交叉学科,涉及概率论、统计学、逼...
理论与工程 首先,小夕说一下自己目前对理论与工程的理解吧,这也是小夕当前研究理论和熟练工程时主要的出发点。(仅为个人思考,请勿当成真理 理论注重的是学科中各个知识点的大一统,将各种散乱的算法、现象、技巧来归结到一张大网中。这样在新理论、新技术到来的时候,你可以很快的从这张大网中get到新理论、新技术的本质,并将这些创新纳入你的大网,并且可以反思这张网,归结出其中的规律或者疑问,以此为突破点来“...
推广返利