越精致越累，还不如邋遢来的自在
精致男生夜生活指南之前认识一位男性朋友，上周拉着我一起逛超市。他娴熟地徘徊于货架与购物车，车厘子、牛排、虾仁、速食拉面、酸奶......“哐哐”落入购物车，凌乱地堆在一起。我很佩服他，在逛超市...
发简信
IP属地：陕西
-
-
CTR预估一、概要 目标：将合适的内容，在合适的场景，展示给合适的人 量化指标：CTR,Click-Through-Rate,点击通过率 应用场景：广告展示、推荐、搜索结果排序广告，考...
-
为什么ResNet和DenseNet可以这么深？一文详解残差块为何能解决梯度弥散问题。传统的“提拉米苏”式卷积神经网络模型，都以层叠卷积层的方式提高网络深度，从而提高识别精度。但层叠过多的卷积层会出现一个问题，就是梯度弥散(Vanishing)，backpro...
-
如何感性地理解EM算法？
如果使用基于最大似然估计的模型，模型中存在隐变量，就要用EM算法做参数估计。个人认为，理解EM算法背后的idea，远比看懂它的数学推导重要。idea会让你有一个直观的感受，从...
-
吴恩达机器学习—正则化过拟合问题 当变量过少时，可能存在欠拟合；当变量过多时，会存在过拟合。过拟合可能对现有数据拟合效果较好，损失函数值几乎为零，但是不能进行泛化时，即不适于非训练集的其他数据。 ...
-
Stacking Learning在分类问题中的使用
建议先阅读以下文章 知乎：Kaggle机器学习之模型融合（stacking）心得 Blog：Stacking Models for Improved Predictions ...
-
美团机器学习实践第四章-模型融合总结思维导图如下： 模型融合是一种有效提升机器学习效果的方法，通过构建并融合多个模型来完成学习任务。模型融合主要包含两个阶段：构建若干单模型和模型融合。 如果模型融合使用的单模型...
-
天池比赛--“商场中精确定位用户所在店铺”分享背景介绍 这是笔者参加的第一个大数据比赛，预赛最好成绩是前50名，但是由于后来竞争越发激烈（分类正确率差0.01,排名都能差上10多名...）和兴趣渐渐转到研究NLP上，最终...
-
利用机器学习模型完成时间序列预测
1.简述 时间序列数据是一种典型的数据，时间序列预测方法比较多。比如ARIMA模型、Prophet模型、指数平均法、滑动平均法等等。 本文采用机器学习算法，如线性回归、随机森...
-
简单直观地理解非负矩阵分解NMF我对NMF的理解是一个反反复复的过程，时懂时不懂，因此在这里简单记录下我目前清醒的认知。 NMF的基本思想可以简单描述为：对于任意给定的一个非负矩阵A，NMF算法能够寻找到一...
-
深入解读RFM算法模型-运营实战应用干货从事用户运营多年，一直都是在不断摸索中成长。从毕业后进入到国内知名化妆品公司-电商事业部，再到到国内top3坚果零食企业，一直都想花时间把自己对用户这一块的摸索积累记录下来，...
-
机器学习面试题总结（笔记）
一 面试题概述 面试的时候，面试官会结合你的回答和你的简历来询问你，所以在写简历的时候，简历上所写的所有内容在写的时候必须自己反问一下自己，这个知识点懂不懂。 面试其实是一个...
-
时间序列分解1、时间序列分解 1.1 时间序列的组成部分 一个时间序列往往是一下几类变化形式的叠加或耦合：长期趋势(Secular trend,T)，季节变动(Seasonal Vari...
-
你好，target是取自未来特征的还是取自历史和未来特征加起来的
机器学习与时间序列预测
前言 在所有的预测问题里面，时间序列预测最让我头疼。 做时间序列预测，传统模型最简便，比如Exponential Smoothing和ARIMA。但这些模型一次只能对一组时间...
-
一只有限写作的无限猴子~<br><br>版权合作事宜请联系行距文化：pub@hangju-pub.com
-
既编过学术大作，也做过畅销小说。策划过最畅销的王阳明传记和最畅销的丝绸之路读物。<br>王阳明信徒，不能装作听不见自己内心的声音。自大学至今，不知为何，痴迷于边疆史地与游牧民族史，遍翻馆藏北方各族中外史料，读其源流事迹、常于草原帐落、大漠佛窟间流连忘返，又在人神交错的魔幻史诗中恍惚若失，不知今夕何夕。<br>身在魔都，心系天山。<br><br>版权合作事宜请联系行距文化：pub@hangju-pub.com
-
男，某军校新闻系毕业，曾任空某部指导员、机关干事，转业后曾任职某知名自媒体主笔，有丰富的部队生活经历和写作经验。
