题目

给定一个字符串 s，找到 s 中最长的回文子串。你可以假设 s 的最大长度为1000。

示例1：

1
2
3

输入: "babad"
输出: "bab"
注意: "aba"也是一个有效答案。

示例2：

1
2

输入: "cbbd"
输出: "bb"

目录

• Word2Vec - CBOW
• Word2Vec - Skip-Gram
• Word2Vec的Tricks

自己根据网上资料及自己的理解对word2vec源码阅读并加上注释， 放在我的github weizhaozhao/annotated_word2vec上了, 有兴趣的同学可以一起学习一下，其中的很多tricks都可以尝试应用在实际的工业生产环境中。

目录

• 最大似然
• Jensen不等式
• 算法推导
• 算法收敛性
• 算法举例
• 代码

最大似然(极大似然)

最大似然估计是一种概率论在统计学的应用，它是参数估计的方法之一。说的是已知某个随机样本满足某种概率分布，但是其中具体的参数不清楚，参数估计就是通过若干次试验，观察其结果，利用结果推出参数的大概值。 最大似然估计是建立在这样的思想上:已知某个参数能使这个样本出现的概率最大，当然不会再去选择其他小概率的样本，所以就把这个参数作为估计的真实值。

目录

• sklearn-GridSearchCV
• hyperopt
• hyperopt-sklearn

sklearn-GridSearchCV

常用参数

sklearn.model_selection.GridSearchCV

随即森林 - Random Forest

目录

• 基本概念
• 袋外错误率(out of bag error, oob error)
• 例子
• 特点及细节

TODO 分布式实现原理 https://www.jianshu.com/p/d90189008864 https://www.ibm.com/developerworks/cn/opensource/os-cn-spark-random-forest/

GBDT & XGBoost

目录

• 符号定义
• GBDT = GBRT = MART
• XGBoost
• 正则化
• GBDT与XGBoost的比较

1. 符号定义

决策树 \[ f(x; \lbrace R_j, b_j\rbrace ^{J}_1) = \sum_{j=1}^J b_j I(x\in R_j) \] \( \lbrace R_j \rbrace ^{J}_1 \)和\( \lbrace b_j \rbrace ^{J}_1 \)表示决策树的参数，前者为分段空间(disjoint空间)，后者为这些空间上的输出值[其他地方称为打分值]，\(J\)是叶子结点的数量，下文中用\(f(x)\)省略表示\( f(x; \lbrace R_j, b_j\rbrace ^{J}_1) \)

Adaboost & 前向分布算法

目录

• Adaboost
• 前向分布算法
• 前向分布算法推导Adaboost
• Adaboost特点

1. Adaboost

Adaboost提高那些被前一轮弱学习器错误分类样本的权值，而降低那些被正确分类样本的权值。这样没有正确分类的样本在下一轮学习中将获得更大的关注；之后Adaboost采用加权多数表决的方法，加大错误率低的弱学习器的权值，减小错误率高的弱学习器的权值。

[转]使用sklearn大规模机器学习

目录

• 核外学习(out-of-core learning)
• 磁盘上数据流式化
• sklearn 中的 SGD
• 流式数据中的特征工程
• 总结

转载自:吴良超的学习笔记

核外学习(out-of-core learning)

核外学习指的是机器的内存无法容纳训练的数据集，但是硬盘可容纳这些数据，这种情况在数据集较大的时候比较常见，一般有两种解决方法：sampling 与 mini-batch learning。

支持向量机 - SVM（Support Vector Machines）Part 4

支持向量机 - SVM（Support Vector Machines）Part 1

• 线性可分支持向量机学习算法 - 最大间隔法
• 线性可分支持向量机的对偶算法

支持向量机 - SVM（Support Vector Machines）Part 2

支持向量机 - SVM（Support Vector Machines）Part 2

支持向量机 - SVM（Support Vector Machines）Part 1

• 线性可分支持向量机学习算法 - 最大间隔法
• 线性可分支持向量机的对偶算法

支持向量机 - SVM（Support Vector Machines）Part 2