在自然语言处理领域，最开始的学习肯定绕不开one-hot，N-gram，word2vec。下文会快速，简要的介绍这两种技术，至于更多的技术细节，可以参考文章最后的参考文献。在阅读了本篇文章后，读者应该能够达到如下几个目的：1.明白one-hot，N-gram，word2vec的作用2.明白one-hot，N-gram，word2vec的数学/网络架构1.词向量...

SMOTE全称是Synthetic Minority Oversampling Technique即合成少数类过采样技术，它是基于随机过采样算法的一种改进方案，由于随机过采样采取简单复制样本的策略来增加少数类样本，这样容易产生模型过拟合的问题，即使得模型学习到的信息过于特别(Specific)而不够泛化(General)，SMOTE算法的基本思想是对少数类样本进行分析并根据少数类样本人工合成新样本

下载下面rpm包：http://vault.centos.org/6.5/os/x86_64/Packages/依次安装：rpm -Uvh kernel-headers-2.6.32-431.el6.x86_64.rpmrpm -Uvh glibc-headers-2.12-1.132.el6.x86_64.rpmrpm -Uvh glibc-devel-2.12-1.132.el6.x

import numpy as npimport matplotlib.pyplot as plt%matplotlib inlineimport pandas as pdfrom sklearn import cluster, datasetsfrom sklearn import metricsimport randomnp.random.seed(0)#传输进来的data,tar

在学习稀疏自编码器之前，需要读者有BP神经网络的基础1. 为什么要用稀疏自编码器  对于没有带类别标签的数据，由于为其增加类别标记是一个非常麻烦的过程，因此我们希望机器能够自己学习到样本中的一些重要特征。通过对隐藏层施加一些限制，能够使得它在恶劣的环境下学习到能最好表达样本的特征，并能有效地对样本进行降维。这种限制可以是对隐藏层稀疏性的限制。  如果给定一个神经网络，我们假设其输出与输入是相同

本文详细介绍了LSTM（长短期记忆网络）在股票收盘价预测中的应用。LSTM通过门控机制（遗忘门、输入门、输出门）和细胞状态解决了传统RNN的梯度消失问题，能有效捕捉时序数据的长期依赖关系。在股票预测场景中，输入为前10天收盘价（单特征或多特征），输出第11天预测值。文章详细拆解了LSTM的内部结构，包括各门控的运算公式和维度变换，并解释了其在股票数据中的实际应用逻辑。LSTM通过线性更新的细胞状态

添加环境变量主要是在/etc/profile中例如，在/usr/local/下安装了python2.7因为系统默认是2.4，所以#pythonPython 2.4.3 (#1, Sep 3 2009, 15:37:37)[GCC 4.1.2 20080704 (Red Hat 4.1.2-46)] on linux2Type "help", "copyright", "credits" o

本文详细介绍了LSTM（长短期记忆网络）在股票收盘价预测中的应用。LSTM通过门控机制（遗忘门、输入门、输出门）和细胞状态解决了传统RNN的梯度消失问题，能有效捕捉时序数据的长期依赖关系。在股票预测场景中，输入为前10天收盘价（单特征或多特征），输出第11天预测值。文章详细拆解了LSTM的内部结构，包括各门控的运算公式和维度变换，并解释了其在股票数据中的实际应用逻辑。LSTM通过线性更新的细胞状态

在学习稀疏自编码器之前，需要读者有BP神经网络的基础1. 为什么要用稀疏自编码器  对于没有带类别标签的数据，由于为其增加类别标记是一个非常麻烦的过程，因此我们希望机器能够自己学习到样本中的一些重要特征。通过对隐藏层施加一些限制，能够使得它在恶劣的环境下学习到能最好表达样本的特征，并能有效地对样本进行降维。这种限制可以是对隐藏层稀疏性的限制。  如果给定一个神经网络，我们假设其输出与输入是相同

添加环境变量主要是在/etc/profile中例如，在/usr/local/下安装了python2.7因为系统默认是2.4，所以#pythonPython 2.4.3 (#1, Sep 3 2009, 15:37:37)[GCC 4.1.2 20080704 (Red Hat 4.1.2-46)] on linux2Type "help", "copyright", "credits" o