HelloWorld 开发者社区
科技资讯
百度世界提出智能组织思路,关注 AI 从个人工具进入业务闭环
openKylin 全球生态推广会举行,推进本地化与社区合作
光船 1.1.0 尝鲜版二更新,探索 AI 会话与代码生成结合
Argus 0.5.0 发布:新增进程控制,完善原生 Windows 任务管理
MetaForge 2026.0.0 发布,整合数据库工作台与可视化分析
qData 1.6.7 发布:修复增量读取与 ETL 字段传递问题
Apple HomeView 在部分地区开售,整合家庭控制与视频通话
Cloudflare 推出 Spend Management Beta,为 Workers 增加支出限制
Cloudflare 开源 Kitesurf:面向 AI 智能体的轻量浏览器引擎
JeecgBoot 与敲敲云介绍分层方案,连接低代码开发与业务搭建
开源项目
全部项目推荐好文
ACL2019--针对部分标注数据的NER
NamedEntityRecognitionwithPartiallyAnnotatedTrainingData论文笔记1.Introduction在一些语料资源匮乏的语种中,可用的数据可能只是部分标注的(部分NE正确标注,部分NE被标注为O),如下图所示
Autoregressive LM与Autoencoder LM
摘录自知乎XLNet:运行机制及和Bert的异同比较(https://link.segmentfault.com/?ence%2Fb%2BhAITzf6Y4Lh%2FIHtM%2BQ%3D%3D.hzIO6KYR24CZF0l93SFnDP%2FKnlvCqAJHn%2FyJ71m2Wwi9o
隐马尔可夫模型HMM个人理解
1.定义隐马尔可夫模型(HiddenMarkovmodel,HMM)是一种结构最简单的动态贝叶斯网的生成模型,它也是一种著名的有向图模型。!image.png(https://imghelloworld.osscnbeijing.aliyuncs.com/imgs/d2
Improving Low-Resource Named Entity Recognition笔记
ImprovingLowResourceNamedEntityRecognitionusingJointSentenceandTokenLabeling阅读笔记1.Summary本文针对lowresourceNER任务——小语种电商NER任务,
Few-shot Learning for Named Entity Recognition in Medical Text笔记
1.Summary本文对Electronichealthrecords的一些数据集进行了命名实体识别研究。在利用其它相关数据集的基础上,对targetdataset只采集10个样例进行fewshotlearning,提出了五种提升性能的方法(tricks):(1)layer
A Survey on Deep Learning for Named Entity Recognition(2020)阅读笔记
1.Summary文章主要介绍了NER的资源(NER语料及工具),并从distributedrepresentationforinput,contextencoder和tagdecoder三个维度介绍了目前现有的工作,并调研了目前最具代表性的深度学习方法。最后提出了目前NER
史上最强DIY,手工制作一只会说话的机器狗
<blockquote<strong摘要:</strong波士顿动力的机器狗,想要么?快来跟我一起动手制作吧。</blockquote波士顿动力的机器狗了解吗?一个会后空翻、会开门、会爬楼梯的AI。最近,我们实验室就来了一批mini版的机器狗,虽然不会各种高难度杂技动作,但在我们
EasyDL全新升级,文心(ERNIE)3项能力助力快速定制企业级NLP模型
近日,百度文心重磅发布三项功能,新增定制多标签文本分类、情感倾向分析模型等功能,同时数据管理能力也进一步增强,更好地满足自然语言处理(NLP)领域开发者需求,开发者可通过百度AI开发平台EasyDL进行使用。文心(ERNIE)是依托百度深度学习平台飞桨打造的语义理解技术与平台,集
零基础入门NLP - 基于深度学习的文本分类1
学习目标学习FastText的使用和基础调参使用交叉验证提高精度文本表示方法Part2传统文本表示方法的缺陷在上一节种,介绍了几种文本表示方法OnehotBagofwords(BoW)NgramTFID
零基础入门NLP - 基于机器学习的文本分类
任何分类问题,都需要从数据中挖掘有用的特征,文本分类也不例外.这里会介绍几种从文本中提取特征的方式.也是处理文本最基础的方法.文本表示方法在机器学习算法的训练过程中,假设给定$N$个样本,每个样本有$M$个特征,这样组成了$N×M$的样本矩阵,然后完成算法的训练和预测。同样
正在加载更多文章…
加载更多已加载文章中没有匹配内容,可继续加载更多。