Lecture 第35页

CS 288: Statistical Natural Language Processing

CS 288: Statistical Natural Language Processing, Spring 2010 Instructor: Dan Klein Lecture

·2015-11-13 14:03

C++基本要点复习--------coursera程序设计实习（PKU）的lecture notes

因为一些特性复杂，很多时候也用不到一些特性，所以忘记了，算是随笔，也当作一个临时查找的手册。没有什么顺序，很杂。 1.构造函数通过函数重载的机制可以有多个（不同的构造函数，参数个数，或者参数类型不同。），但是析构函数只能有一个。当没有在代码中写明构造或析构函数时，编译器会自动生成缺省的构造或析构函数。构造函数和析构函数都无返回值。另外，析构函数必须无参数。没写复制（拷贝）构造函数，编译器也会自动

·2015-11-13 10:55

Explain awakeFromNib, initwithFrame usage

I am going through the Stanford iphone dev lectures on iTunes and ran into this in Lecture 5.

·2015-11-13 09:54

CF 519E（树上倍增求lca）

传送门：A and B and Lecture Rooms 题意：给定一棵树，每次询问到达点u,v距离相等的点有多少个。

·2015-11-13 04:35

review_js

js的面向对象写法 function Lecture(name,teacher){ this.name = name; this.teacher = teacher; } Lecture.prototype.display

·2015-11-13 04:44

Javscript 面向对象学习笔记(1)

Schedule 传入的参数必须要是数组类型,如果只是一个Lecture 的实例,那么Length 是undefined . // 2.

·2015-11-12 20:27

invite用法

请求 ;征求 [O2] After his lecture the visiting professor invited questions. 访问教授作完讲座就请大家提问题

·2015-11-12 19:30

LDA,咱们一起来学习

然后很重要的Blei的视频和一个80多页的Lecture。

·2015-11-12 18:29

CS193p Lecture 8 - Protocols, Blocks and Animation

一、协议（Protocols） 1. 声明协议 @protocol Foo <Xyzzy, NSObject> // ... @optinal // @required //... @end (与@interface几乎一致) －协议只是方法的声明，没有实现部分－协议中声明的方法必须实现加上@optional，其后的方法可选，其

·2015-11-12 17:04

CS193p Lecture 4 - Foundation, Attributed Strings

消息机制　　调用一个实例（instance）的方法（method），就是向该实例的指针发送消息（message），实例收到消息后，从自身的实现（implementation）中寻找响应这条消息的方法。 id 　　id myObject; 声明了一个指针，类型是id，id表示它是一个指针（不用id *）指向一个我们不知道类型的对象。异常和未知选择器（P6

·2015-11-12 17:58

CS193p Lecture 6 - UINavigation, UITabBar

抽象类（Abstract）：指的是这个类不能被实例化，只能被继承； OC中没有关键词来标明某个类是抽象类，只能在注释中标注一下；抽象类中的抽象方法，必须是public的，使方法称为public的方法是，将其声明放置到 .h 文件的interface中； Multiple MVCs in an Application 如何添加多个MVC呢？ 1. 在 object lib

·2015-11-12 17:58

CS193p Lecture 11 - UITableView, iPad

UITableView 的 dataSource 和 delegate dataSource 是一种协议，由 UITableView 实现，将 Model 的数据给到 UITableView； delegate 是关于表格是如何显示的，比如： - 如何排布元素; - 用哪些视图显示header、footer； - 如果用户点击

·2015-11-12 13:08

CS193p Lecture 10 - Multithreating, UIScrollView

Multithreating（多线程）网络请求例子： NSURLRequest *request = [NSURLRequest requestWithURL:[NSURL URLWithString:@"http://..."]]; NSURLSessionConfiguration *configuration = nil; NSURLSession *sess

·2015-11-12 13:08

15>>With great power comes great responsibility

We trust you have received the usual lecture from the local SystemAdministrator.

·2015-11-11 17:50

Coursera获取中文字幕（如果有的话）

字幕的格式是 https://class.coursera.org/${课程代号}/lecture/subtitles?

·2015-11-11 08:28

codeforces 519E A and B and Lecture Rooms（LCA，倍增）

A and B and Lecture Rooms A and B are preparing themselves for prog

·2015-11-11 02:19

学习资源（二）

Python的教程，出于兴趣就打算简单的听一听了解一下，今天听了第一期的讲座，老师讲的非常形象，大家有兴趣可以去看一看 https://class.coursera.org/pythonlearn-002/lecture

·2015-11-11 02:48

阅读书单（陆续更新中）

The Last Lecture Antonio Mendez. ARGO 贾雷德.戴蒙德. 枪炮、病菌与钢铁：人类社会的命运吴军. 数

·2015-11-11 00:21

hihocoder #1103 : Colorful Lecture Note微软苏州校招笔试 1月10日(字符串处理+栈)

#1103 : Colorful Lecture Note 时间限制: 10000ms 单点时限: 1000ms 内存限制: 256MB 描述 Little Hi is writing

·2015-11-11 00:03

未命名 6

http://www.mobiletrain.org/lecture/doc/iphone/2011-05/476.html http://blog.sina.com.cn/s/blog_5be44a8f0100tzpo.html

·2015-11-08 16:56

cf499B-Lecture 【map】

Lecture You have a new professor of graph theory and he speaks very quickly.

·2015-11-08 11:55

Lecture Halls

Lecture Halls （会议安排）时间限制(普通/Java):1000MS/10000MS 运行内存限制:65536KByte 总提交

·2015-11-07 12:20

Paul Graham: Hackers and Painters

http://www.paulgraham.com/hp.html May 2003(This essay is derived from a guest lecture at Harvard, which

·2015-11-02 17:56

【cs229-Lecture8】顺序最小优化算法

ref: blog:http://zhihaozhang.github.io/2014/05/20/svm4/ 《数据挖掘导论》真正的大神是当采用的算法表现出不是非常好的性能的时候，懂得如何去更改算法的人。本节课的三个内容： Ke

·2015-11-02 12:59

【cs229-Lecture9】经验风险最小化

写在前面：机器学习的目标是从训练集中得到一个模型，使之能对测试集进行分类，这里，训练集和测试集都是分布D的样本。而我们会设定一个训练误差来表示测试集的拟合程度（训练误差），虽然训练误差具有一定的参考价值。但实际上，我们并不关心对训练集合的预测有多么准确。我们更关心的是对于我们之前没有见过的一个全新的测试集进行测试时，如果利用这个模型来判断，会表现出怎么样的性能，即一般误差。因此，这

·2015-11-02 12:57

【cs229-Lecture7】支持向量机（SVM）

SVM不错的学习资料：百度网盘链接: http://pan.baidu.com/s/1hqw0Rnm 密码: asec blog：http://www.blogjava.net/zhenandaci/category/31868.html 《数据挖掘导论》——Pang-Ning Tan,etc 以上的资料，已经对svm解释（包括各个概念）的比较详细了。因此，就不在一一记录

·2015-11-02 12:53

【cs229-Lecture5】生成学习算法：1）高斯判别分析（GDA）;2）朴素贝叶斯（NB）

参考： cs229讲义机器学习（一）：生成学习算法Generative Learning algorithms： http://www.cnblogs.com/zjgtan/archive/2013/06/08/3127490.html 首先，简单比较一下前几节课讲的判别学习算法（Discriminative Learning Algorithm

·2015-11-02 12:52

【cs229-Lecture4】GLMS:选定指数分布族，如何用它来推导出GLM？

在Lecture4中有3部分内容： Newton’s method 牛顿方法 Exceponential

·2015-11-02 12:47

【cs229-Lecture4】Newton’s method

之前我们在求Logistic回归时，用的是梯度上升算法，也就是要使得似然函数最大化，利用梯度上升算法，不断的迭代。这节课引出牛顿方法，它的作用和梯度上升算法的一样的，不同的是牛顿方法所需的迭代次数更少，收敛速度更快。红色曲线是利用牛顿法迭代求解，绿色曲线是利用梯度下降法求解。牛顿法：wiki 牛顿法（Newton's method）又称为牛顿-拉弗森方法（Newton-Rap

·2015-11-02 12:46

【cs229-Lecture3】Logistic回归

12112cH013.html http://blog.csdn.net/zouxy09/article/details/20319673 https://class.coursera.org/ml-006/lecture

·2015-11-02 12:46

【cs229-Lecture3】为什么要选择“最小二乘法”这个指标

视频地址：http://v.163.com/movie/2008/1/E/B/M6SGF6VB4_M6SGHM4EB.html 具体的推导过程，讲义上都有，已经很详细了。这里的推导过程大都是自己为了练习所书写，有些步骤也会稍微写的详细一些。为什么要选择“最小二乘法”这个指标来表示J(θ) 第三集，拟合与过拟合的概念。视频中，先讲了一种非参数学习算法——局部加权算法。这个算法比较容易，说白

·2015-11-02 12:45

【cs229-Lecture2】Gradient Descent 最小二乘回归问题解析表达式推导过程及实现源码（无需迭代）

视频地址：http://v.163.com/movie/2008/1/B/O/M6SGF6VB4_M6SGHJ9BO.html 机器学习课程的所有讲义及课后作业：http://pan.baidu.com/s/1i3xcljJ 视频前半部分讲了梯度下降算法的迭代过程求的局部最小值，后半部分介绍了利用数学方法给出参数向量的解析表达式，从而求出参数的值，也就是一种无需

·2015-11-02 12:44

【cs229-Lecture2】Linear Regression with One Variable (Week 1)(含测试数据和源码)

从Ⅱ到Ⅳ都在讲的是线性回归，其中第Ⅱ章讲得是简单线性回归（simple linear regression, SLR）（单变量），第Ⅲ章讲的是线代基础，第Ⅳ章讲的是多元回归（大于一个自变量）。本文的目的主要是对Ⅱ章中出现的一些算法进行实现，适合的人群为已经看完本章节Stanford课程的学者。本人只是一名初学者，尽可能以白话的方式来说明问题。不足之处，还请指正。在开始讨论具体步骤

·2015-11-02 12:43

Daily Scrum M1 10-11

在目前的算法的基础之上，我们对于噪声比较小的lecture效果还行，对于下一步的其他噪声比较多的情况，我们会在今后中改进出来。　

·2015-11-01 15:57

【cs229-Lecture16】马尔可夫决策过程

之前讲了监督学习和无监督学习，今天主要讲“强化学习”。马尔科夫决策过程；Markov Decision Process（MDP）价值函数；value function 值迭代；value iteration(算法，解决MDP) 政策迭代；policy iteration(算法，解决MDP) 什么是强化学习？强化学习(reinforcement

·2015-11-01 14:04

【cs229-Lecture17】离散与维数灾难

主要内容：解决MDP问题的算法：离散化；模型MDP的同化型； (model/similator) 拟合值迭代算法； Q函数；近似政策迭代；笔记转自：http://blog.csdn.net/dark_scope/article/details/8252969 连续状态的MDP 之前我们的状态都是离散的，如果状态是

·2015-11-01 14:04

【cs229-Lecture15】奇异值分解

PCA的实现一般有两种，一种是用特征值分解去实现的，一种是用奇异值分解去实现的。内容： PCA （主成份分析）是一种直接的降维方法，通过求解特征值与特征向量，并选取特征值较大的一些特征向量来达到降维的效果； PCA 的一个应用——LSI(Latent Semantic Indexing, 隐含语义索引)； PCA 的一个实现——SVD(S

·2015-11-01 14:02

【cs229-Lecture14】主成分分析法

本节课内容：因子分析 ---因子分析中的EM步骤的推导过程主成份分析：有效地降低维度的方法因子分析混合高斯模型的问题

·2015-11-01 14:59

【cs229-Lecture13】高斯混合模型

本节内容： 1、混合高斯模型； 2、将混合高斯模型应用到混合贝叶斯模型；（应用：文本聚类） 3、结合EM算法，讨论因子分析算法； &

·2015-11-01 14:58

【cs229-Lecture12】K-means算法

上课内容：无监督学习： K-means聚类算法混合高斯模型 jen

·2015-11-01 14:56

【cs229-Lecture11】贝叶斯统计正则化

本节知识点：贝叶斯统计及规范化在线学习如何使用机器学习算法解决具体问题：设定诊断方法，迅速发现问题贝叶斯统计及规范化（防止过拟合的方法）就是要找更好的估计方法来减少过度拟合情况的发生。回顾一下，线性回归中使用的估计方法是最小二乘法，logistic 回归是条件概率的最大似然估计，朴素贝叶斯是联合概率的最大似然估

·2015-11-01 14:54

CS224d lecture 6札记

哈哈哈，终于又到了每课的写笔记时间。这次课程的内容比较少，可能是为了给Problem set 1空余时间吧。废话不多说。写喽这次的video讲的东西主要就是把推荐的论文稍微详细的讲解了一部分，然后外加给RNN模型开了个头。 1.Multi-task learning / weight sharing 这个第一部分其实在NLP(almost) from scratch里也有讲解它的理念就是

·2015-11-01 14:22

CS 224D lecture 5 笔记分类： CS224D notes 2015-07-18 00:04 3人阅读评论(0) 收藏

Lecture5主要有三部分内容。第一部分是对project的建议和介绍；第二部分就是详细介绍NeuralNetwork的结构，并且如何tune这

·2015-11-01 14:21

CS224d 干货（视频，笔记，论文）

Lecture 1 material Part1 Part2 2.Lecture 2 material 3.Lecture 3

·2015-11-01 14:21

CS224D Lecture2 札记分类： CS224D notes 2015-07-09 16:40 9人阅读评论(0) 收藏

终于把Lecture 2看得差不多了，现在开始写札记哦！这一课的学习内容主要有四个部分。

·2015-11-01 14:20

CS 224D Lecture 3札记分类： CS224D notes 2015-07-12 12:03 5人阅读评论(0) 收藏

这几天把第三课推掉了，又到了写博客的时间，好开心，有木有这一课主要讲了两大部分：第一大部分讲得是如何建立Object function并且如何找到optimum point；第二大部分讲的是如何评测生成的VSM的优劣。主要讲的是这两大部分，其中穿插了一些小的知识点，会在下面详细写出。老样子，先写出Video/Slide的pipeline: Refresher: word2vec model

·2015-11-01 14:19

CS224D Lecture 4 札记分类： CS224D notes 2015-07-13 21:37 5人阅读评论(0) 收藏

咳咳，又到了博文时间，这一课的内容相对较少，所以就相对较快的来总结来博文啦，哈哈哈废话不多说了，开始写吧，这一课的内容主要有三个部分，第一部分是window classification，第二部分是关于softmax的求梯度的tips，第三部分是Neuron Network 的一个简单介绍。在这堂课开始的时候老师讲了一句话很经典，特此抄录下来：The large context you