机器学习的过程通常是一种利用某种优化算法使模型的目标函数最小化或最大化的过程。以下总结机器学习过程中常用的优化算法。
在信息过载的背景下，当用户无明确需求时，推荐系统利用相关数据主动将相关信息推送给用户。 推荐系统介绍 what 在推荐系统之前，有像Hao12/Yahoo等的分类目录的门户网站，其覆盖少量热门网站。有像Google/Baidu等的搜索引擎，其通过搜索关键词获取相关信息。而推荐系统不需要用户提供明确的需求，其通过分析用户的历史行为主动给用户推送能满足其兴趣和需求的信息。
总结在不同场景下评价一个模型时的常用指标。(在测试集上)评估时基本都会以ground truth(基本事实)为依据。
概述 首先从分析对象与分析内容两个维度来宏观的了解NLP所包含的技术知识点。(仅做参考)
可迭代对象/迭代器/生成器 字典、序列(包括字符串、列表和元组)、迭代器(iterator)、生成器(generator)都是可迭代对象 定义可迭代对象必须实现__iter__()方法 定义迭代器必须实现__iter__()和__next__()方法 __iter__方法返回迭代器类的实例，__next__方法返回迭代的每一步结果，实现该方法时，超出边界要抛出StopIteration异常
python的模块(module)有两种启动方式：
conda常用命令 anaconda navigator 有可视化操作 conda create -n data python=X.X (2.7、3.6等) 【创建名字是data的虚拟环境】【执行命令后，Conda会自动下载指定的Python版本，并自动部署】 conda env list 【列出系统所有环境】 activate data 【切换到data环境】 conda env remove -n env_name 【删除指定的环境】 conda env export > environment.yaml【将当前环境的Pyhton版本和所有包的名称保存到文件中】 conda create -n data –clone base 【克隆base的环境,创建新环境data】 anaconda search -t conda skimage 【搜索skimage包】 【conda search skimage 搜索不到】 anaconda show DavidMertz/accelerate-skimage 【查看包的详情】【根据提示安装包】 conda remove -n data_py36 nb_conda_kernels 【移除data_py36环境中的nb_conda_kernels包 anaconda navigator没发现对应操作】
镜像(Image) docker中的Image是由Dockerfile文件build而来(build时通过-t来指定Image的tag，如docker build -t REPOSITORY:tag path/to/Dockerfile，常用的镜像分两种：一种是常驻内存的程序，一种是命令行的工具)，也可直接从注册中心(Registry(私有的)，用于存储Image)/dockerhub(公开的)直接拉取(docker pull REPOSITORY:tag)。生成/获取的Image可通过docker image ls或docker images查看(REPOSITORY(名称)，TAG(标签/版本)，IMAGE ID(镜像ID))，最后通过docker run REPOSITORY:tag启动Image Dockerfile文件中的每一行对应Image中的每一层(Image是分层的，可通过docker history imageID查看)，Image中的每一层通过添加、删除文件可成为一个新的Image 不同的Image可共享相同的层(layer) Image本身是只读的
以Spring Boot框架为载体，通过集成hanLP、neo4j、spark-mllib实现基于电影知识图谱的简易问答系统。
resources for the paper 'Get To The Point: Summarization with Pointer-Generator Networks' with python3.x. overview on the post http://www.abigailsee.com/2017/04/16/taming-rnns-for-better-summarization.html or
个人博客
transformer xl在中文文本生成上的尝试（效果意外的好，可写小说、古诗）（transformer xl for text generation of chinese）
CNN-RNN中文文本分类，基于TensorFlow