Posts

Reinforcement Learning

從馬可夫決策過程到雙重深度Q網路

SELF-ICL: Zero-Shot In-Context Learning with Self-Generated Demonstrations

A simple framework which bootstraps LMs’ intrinsic capabilities to perform zero-shot ICL

Recommender systems handbook || 閱讀紀錄 1. Data Mining Methods for Recommender Systems

推薦系統中的資料探勘方法。本章介紹推薦系統中常用的資料探勘(Data mining, DM)技術。首先描述的是常見的資料預處理方法，如抽樣與降維。接著回顧推薦系統中重要的分類/分群技術，如:貝葉斯網路和支援向量機(SVM)/k-mean。

Recommender systems handbook || 閱讀紀錄 0.概述

簡要說明推薦系統(RS)的基本概念，與此書的基本架構

🚧Advanced Prompting Engineering 進階提示工程🚧

🚧目前進度:deepl部分翻譯🚧

prompt-engineering 基礎

簡單介紹prompt-engineering

Dimension Reduction in Text Classification with Support Vector Machines

非經典古文，可以不用看，主要是我的筆記。SVM被公認是許多任務中效果最好的分類方法之一，SVM的學習能力和訓練計算複雜度與特徵空間維度無關，但在文本分類任務中，降低複雜度是有效處裡大量詞語的一個要點。該論文採用新的降維方法降低文檔向量的維度。還為基於中心的分類算法和SVM分類器引入決策函數，處理一個文檔可能屬於多個class的問題。分析大量的實驗結果表明使用為聚類資料設計的降維算法，使輸入維度降低，可在不犧牲預測精度的情況下取得更好的訓練效率。