关于机器学习-深度学习的总结

最近在知乎上看到了一个机器学习的相关学习流程，觉得很有道理，所以，后面的blog我将开始具体的分享一些机器学习的学习笔记。目前已经更新的blog有：

数据篇：

1.关于中英文语料的获取途径总结

基础总结篇：

1.机器学习中的相似性度量

2.机器学习中的损失函数总结

3.pearson相关系数与spearman相关系数

4.机器学习中error（误差），bias（偏差）与varience（方差）有什么区别与联系？

模型篇：

1.感知器

2.回归

3.自然语言处理-统计语言模型（数学之美）

4.隐含马尔科夫模型（数学之美）

5.简单的神经元模型 

6.bert模型代码介绍

工具篇：

0.爬虫程序

1.tensorflow相关基础总结

2.pandas总结

3.conda命令总结

4.如何将pyspark的rdd数据类型转化为DataFrame

5.tensorflow serving服务器安装过程总结

译文：

1.分布式的句子和文件表示

深度学习（nlp）：

1.RNN与LSTM网络简述

2.LSTM变种-GRU网络结构

3.RNN-Encoder Decoder架构中引入的注意力机制

4.怎样生成一个好的词向量

5.语言模型简介

6.Encoder-Decoder 预训练

7.基于LSTM的seq2seq模型介绍以及相应的改进

8.高效的文本分类

9.LSTM模型的两种分解技巧

10. tensorflow中关于BahdanauAttention以及LuongAttention实现细节

11.SRU介绍

12.Normalization Technique总结

13.grid lstm模型简介

14.关于transformer模型总结（源码）

15.关于RNN相关模型-tensorflow源码理解

16.论文总结：Ask Me Anything: Dynamic Memory Networks for Natural Language Processing

作者：yiyele 
转载请保留原文地址：http://write.blog.csdn.net/postedit/58593012

如果本文对您有所帮助，欢迎您扫码下图所示的微信支付点赞码对本文进行打赏。