本章其实在元学习系列已经进行一个大部分的讲解，所谓的基于模型的迁移是说如果在已有的模型中抽取出对当前学习有效的知识，而这里所谓的知识就是权重。下面就轻量级的讲点之前没有提到的东西基于贝叶斯的迁移学习基于贝叶斯的迁移学习目前应用在一些自然语言处理的任务中。使用在文本分类任务，一般如下两个步骤。以概率分布的形式对先验的知识进行迁移。利用朴素贝叶斯在源域的数据中建立模型。该算法使用EM算法求解目标域模型

本节讲解基于样本的迁移学习，这个时候你可能会有疑问，基于样本如何迁移呢？难到是直接把源数据直接做学习吗？ 当然这种方法已经被证明效果方差较大，很难真正使用。其实基于样本的迁移学习主要要解决两个问题。如何筛选源域中的目标数据具有”相似分布”的有标签数据如何利用这个“相似”的数据进行学习通过上节的学习我们知道一个域分为两部分$D=\{X, P^{x}\}$, 其中X是特征空间，$P^{x}$表示边缘分

迁移学习在很多场景获得越来越多的应用。例如在图像识别中，例如同一个实体在不同的光照条件写拍摄的照片，模型识别的性能会下降，从而需要我们从一个场景迁移到另一个场景的情况。例如在医疗领域，一些罕见病的天然样本就是短缺的，那么如果利用现有的数据学习到这些新的知识呢？这些都是迁移学习需要解决的问题。以下的场景也同样有迁移学习的身影出没。数据量小机器学习需要鲁棒性个性化定制问题用户隐私数据安全定义给定源域$

今天来介绍经典算法中的回溯算法，这类算法是一种弱枚举（这里大家千万不要认为枚举很low，很多问题能够枚举出来还是万幸的）的算法，一般如果代码实现十分简单，但是真的思考出来还是有些难度的，因为一般使用递归实现，所以代码十分简洁，但是执行过程会让你十分痛苦，你即使在项目中打上断点追踪，最后很快就追丢了。所以本节咱们来列举几个经典问题，然后详细介绍一下这类问题的解决办法。组合给定两个整数 n 和 k，返

这章来介绍一下如何评估你搜索以后的结果好坏呢？从而定义算法优化的方向。对于比较粗糙的评估方法如下。$$P=\frac{检索出相关文档数}{检索所有文档数} \\R=\frac{检出相关文档数}{数据库中相关文档数}$$看着形式是不是很熟悉，就是经常看到的准确率和召回率。下面形式化的表达出来。a表示被检索出的与查询相关的 文献数量;b表示被检索出的与查询无关的文献数量;c表示与查询相 关，但是没有被

排序学习是搜索、推荐、广告的核心方法。排序结果的好坏很大 程度上影响到用户体验，甚至会影响到广告收益。常规的排序模型存 在一些问题，如调整参数困难，通过给定的一个测试集合来比较模型 是否过拟合很困难等。而机器学习解决了这些问题，因为其可以自动 调整参数。更重要的是，它可以通过规范化来避免数据过拟合。传统的检索模型靠人工来拟合排序公式，并通过不断地实验确定 最佳的参数组合，以此构成相关性打分函数。机

本文将介绍命名实体识别的一些方法，在自然语言中使用十分广泛。条件随机场(CRF)首先我们就介绍CRF的方式进行命名实体识别，CRF与HMM模型十分相似，如果不了解HMM模型的可以看自然语言处理之分词看我之前的一个讲分词的文章。

动态规划这东西呀，还是需要多多练习的。数字 n 代表生成括号的对数，请你设计一个函数，用于能够生成所有可能的并且 有效的 括号组合。 当 n=3的时候，输出是这个样子的out=["((()))","(()())","(())()","()(())","()()(

我们先来了解因子是什么呢？当我们选择一个股票的时候，能够帮助你决定的一个因素就是一个因子。这里举一个例子，真正影响一个股票的价格的因子是各种各样的，包括基本面，消息面以及政策因素甚至包括分析师预测和预期等等。那么对于国内的A股来说能够长期表现出色的因子有哪些呢？国模因子：小市值因子无论是A股还是港股，小市值因子一直存在，并且小市值因子逻辑十分简单易懂。市值越小，其操作涨幅说需要的资金越小，股票被操

今天咱们就开始聊一个新的领域，在金融领域量化交易不在是一个新鲜名词，今天有时间我们就来看看量化交易股市这些比较敏感的词汇。回测这个其实很好理解，就是加入你有一个买入卖出的策略，那怎么感知到你的策略的有效性呢？ 在做私募的领域经常要给别人看你的曲线，所谓的曲线就是你的收益曲线，你能在高点套现在低点买入吗？ 这就是金融行业的灵魂拷问。而所谓的回测就是说你的策略既定的情况下。给你既定的时间，你的收益周期

今天我们来介绍一种比较特殊的网络，孪生神经网络。这也是实现元学习的一种常见的方式。我们先来抛出一个问题，目前市面上人脸识别的应用十分多，那么它们是怎么做到的呢？如果让你来做一个人脸识别的应用，你怎么来实现这个算法呢？第一时间你的的想法是不是老子搞它每个人N多的数据集，然后弄个M分类，这样每次就变成一个图片识别的任务，easy。想想其实也是可以的，但是似乎不太符合时间，哪里弄来这么多的人的样本呢？话

终身学习什么是终身学习呢？ 其实就是当一个模型学会了任务A，当学习任务B的时候不会忘记任务A，这个时候你可能会有个问题，我们重新训练一个模型可以吗？ 当然可以，只不过这样的模型没有