BAT机器学习面试1000题系列1前言1BAT机器学习面试1000题系列21归一化为什么能提高梯度下降法求解最优解的速度？222归一化有可能提高精度223归一化的类型231）线性归一化232）标准差标准化233）非线性归一化2335.什么是熵。
机器学习ML基础易27熵的引入273.1无偏原则2956.什么是卷积。
深度学习DL基础易38池化，简言之，即取区域平均或最大，如下图所示（图引自cs231n）40随机梯度下降46批量梯度下降47随机梯度下降48具体步骤：50引言721.深度有监督学习在计算机视觉领域的进展731.1图像分类（ImageClassification）731.2图像检测（ImageDection）731.3图像分割（SemanticSegmentation）741.4图像标注–看图说话（ImageCaptioning）751.5图像生成–文字转图像（ImageGenerator）762.强化学习（ReinforcementLearning）773深度无监督学习（DeepUnsupervisedLearning）–预测学习783.1条件生成对抗网络（ConditionalGenerativeAdversarialNets，CGAN）793.2视频预测824总结845参考文献84一、从单层网络谈起96二、经典的RNN结构（NvsN）97三、NVS1100四、1VSN100五、NvsM102RecurrentNeuralNetworks105长期依赖（Long-TermDependencies）问题106LSTM网络106LSTM的核心思想107逐步理解LSTM108LSTM的变体109结论110196.L1与L2范数。
机器学习ML基础易163218.梯度下降法的神经网络容易收敛到局部最优，为什么应用广泛？深度学习DL基础中178@李振华，https://www.zhihu.com/question/68109802/answer/262143638179219.请比较下EM算法、HMM、CRF。
机器学习ML模型中179223.Boosting和Bagging181224.逻辑回归相关问题182225.用贝叶斯机率说明Dropout的原理183227.什么是共线性,跟过拟合有什么关联?184共线性：多变量线性回归中，变量之间由于存在高度相关关系而使回归估计不准确。
184共线性会造成冗余，导致过拟合。
184解决方法：排除变量的相关性／加入权重正则。
184勘误记216后记219

NER-LSTM-CRF一个易于使用的命名实体识别（NER）工具包，在张量流中实现了LSTM+[CNN]+CRF模型。
该项目短期内不再维护，PyTorch版本：:1.型号Bi-LSTM/Bi-GRU+[CNN]+CRF，其中CNN层针对英文，捕获字符特征，通过参数use_char_feature控制self.nil_vars.add（self.feature_weight_dict[feature_name].name）。
2.用法2.1数据准备训练数据处理成下列形式，特征之间用制表符（或空格）替换，每行共n列，1至n-1列为特征，最后一列为labe

%minFuncfprintf('CompilingminFuncfiles...\n');mexminFunc/lbfgsC.c%KPMfprintf('CompilingKPMfiles...\n');mex-IKPMKPM/repmatC.c%crfChainfprintf('CompilingcrfChainfiles...\n');mexcrfChain/mex/crfChain_makePotentialsC.cmexcrfChain/mex/crfChain_inferC.cmexcrfChain/mex/crfChain_lossC2.c

双向LSTM+CRF中文命名实体识别工具，可以使用自己的语料进行训练，欢迎大家交流学习。
训练数据需要自己进行获取

后缀为.tar.gz的适合Linux和MacOS用户使用，后缀为.zip的适合Windows用户使用。

用于求解CRF,GraphCut的源代码，包含C++和matlab,内附程序说明

条件随机场crf马尔可夫随机场mrf的编程实现，包含代码和数据集，求解算法BFGS等

基于matlab的图像显著性检测，采用的图像分割方式是crf推荐给大家

windows下crf++的python配置需要的文件： 运行环境：vs2013,python2.7.1332位,win8.164位 包含文件 crfpp.h crfpp.lib pthread.lib libcrfpp.dll 这几个应该就够了，少的话给我留言

LSTM+CRF模型项包含完整代码LSTM+CRF模型项包含完整代码

在日常工作中，钉钉打卡成了我生活中不可或缺的一部分。然而，有时候这个看似简单的任务却给我带来了不少烦恼。 每天早晚，我总是得牢记打开钉钉应用，点击"工作台"，再找到"考勤打卡"进行签到。有时候因为工作忙碌，会忘记打卡，导致考勤异常，影响当月的工作评价。而且，由于我使用的是苹果手机，有时候系统更新后，钉钉的某些功能会出现异常，使得打卡变得更加麻烦。 另外，我的家人使用的是安卓手机，他们也经常抱怨钉钉打卡的繁琐。尤其是对于那些不太熟悉手机操作的长辈来说，每次打卡都是一次挑战。他们总是担心自己会操作失误，导致打卡失败。 为了解决这些烦恼，我开始思考是否可以通过编写一个全自动化脚本来实现钉钉打卡。经过一段时间的摸索和学习，我终于成功编写出了一个适用于苹果和安卓系统的钉钉打卡脚本。