从词向量到XLNet模型，预训练技术的演进不断地推动着自然语言处理（NLP）领域的发展，本文从朴素的神经网络语言模型（NNLM）开始，逐步探讨Word2Vec、BERT等模型原理及其作预训练在NLP中的应用…

Deep Neural Networks for YouTube Recommendations是Google发表在Recsys2016上的一篇论文，是将深度学习技术应用于工业推荐场景的经典文章。这篇随笔记录了博主在阅读该文章时的一些理解…

注：记得这篇小说是2014年秋的某天在图书馆闲逛时看到的，作者“小午”写在校报《北洋人》上。原文如今在网络中是踪迹难寻了，想到这个故事还算动人，被时间淹灭了难免可惜，特保存于此。

注：这篇散文是高三时偶然从Jungle的杂志《青春美文》中读到，作者”麦田里的乌鸦”，原文如今在网络中是踪迹难寻了，特保存于此。

本文继续以Avazu-CTR赛题为背景，尝试采用FM（Factorization Machine，因子分解机）及FFM（Field-aware Factorization Machine，场感知因子分解机）来进行CTR预估任务。

本文继续以Avazu-CTR赛题为场景，采用GBDT（梯度提升树）与LR（逻辑回归）相结合的方法来完成CTR预估任务；

下面，我们结合Kaggle赛题：Avazu：Click-Through Rate Prediction，练习数据挖掘技术在CTR预估中的应用。

本文内容包括赛题任务简析，以及基于LR（逻辑斯蒂回归）的初步实现。

本文以Kaggle新手习题——Titanic: Machine Learning from Disaster为场景开展实验，以此熟悉Kaggle平台。

本文以自动驾驶场景下的对象检测（Object Detection）为研究对象，学习理解滑窗卷积和YOLO等内容。

采用CNN（卷积神经网络）模型进行mnist分类任务。