算法小白菜
-
- 多任务模型融合如何平衡？
-
- 推荐系统模型1-FM模型族
-
- ES学习笔记4
-
- ES学习笔记3
-
- ES学习笔记1
-
- 搜索_学习笔记1_框架
-
- DeepWalk学习笔记
-
- EGES学习笔记
-
- 终于看到有人把Kafka讲清楚了，阿里面试官都推荐学习这些源码笔
-
- auc原理与实现
-
- 深度学习笔记4-过拟合、欠拟合
-
- 深度学习笔记2-反向传播
-
- Flink--WaterMark理解和实践
-
- WGCNA（二）WGCNA的步骤和原理
-
- spark-submit 任务提交过程分析
-
- Flink 源码解析系列文章（持续更新ing）
-
- 推荐系统-重排序-CTR-DCN-CIN-xDeepFM
-
- xgboost原理及调参方法-通俗易懂版本
-
- 推荐系统-重排序-CTR-GBDT+LR
-
- Embedding在深度推荐系统中的3大应用方向
-
- nlp中的词向量对比：word2vec/glove/fastTe
-
- Neo4j中使用Louvain算法和标签传播算法(LPA)对漫威
-
- TensorFlow实现序列标注：用bi-LSTM+CRF和字符
-
- 回顾Facebook经典CTR预估模型
-
- 《实用机器学习（美）亨里克·布林克》高清中文PDF+英文PDF+
-
- Embedding从入门到专家必读的十篇论文
-
- 《TensorFlow实战（带书签）》高清中文版PDF+源代码
-
- 《TensorFlow机器学习项目实战》高清中文PDF+英文PD
-
- 分享《TensorFlow机器学习实战指南》中文版PDF+英文版
-
- 万物皆Embedding，从经典的word2vec到深度学习基本
-
- 深度学习之路（一）：用LSTM网络做时间序列数据预测
-
- YouTube深度学习推荐系统的十大工程问题
-
- LightGBM简介
-
- XGBoost简介
-
- Logistic Regression与Logistic Los
-
- 初探梯度下降之随机梯度下降（SGD）
-
- 深入理解FTRL
-
- 梯度提升树(GBDT)+LR,随机森林(RandomForest
-
- 官宣！阿里Blink和Flink合并计划出炉
-
- 逻辑回归(Logistic Regression)
-
- 深度学习|费解的tensorflow
-
- 注意力模型（Attention Model）简记
-
- 《机器学习》欧几里得距离、巴氏距离、马氏距离
-
- Pandas入门教程
-
- Jieba分词原理与解析
-
- DIN-DIEN-DSIN笔记
-
- 分享《深度学习之TensorFlow：入门、原理与进阶实战》高清
-
- 迁移学习NLP：BERT、ELMo等直观图解
-
- EM算法和混合高斯模型（二）
-
- 12.YOLO系列算法详解
coding