Watch kylewang/llm-note

Watch kylewang/DBNet

DBNet算法原理及源码详解

Watch kylewang/BatchNormalization

BatchNormalization笔记

Watch kylewang/YOLO-V1

YOLO-V1源码详解

Watch kylewang/Mask-RCNN

Mask-RCNN源码详解

Watch kylewang/Faster-RCNN

Faster-RCNN源码详解

Watch kylewang/Retinanet

Retinanet原理及代码笔记

Watch kylewang/推荐系统-下

采用Wide and Deep模型，对Criteo提供的Kaggle竞赛数据进行CTR预估。

Watch kylewang/推荐系统-上

1. 实现基于用户的协同过滤； 2. 实现基于物品的协同过滤； 3. 实现基于模型（矩阵分解）的协同过滤。 4. 对每种推荐算法的推荐结果，用Top10个推荐歌曲的准确率和召回率评价推荐系统的性能。

Watch kylewang/非监督学习-下

1. 分词：由于企业描述是文本信息，需要对文本信息进行特征提取。文本分词可采用Jieba分词： https://github.com/fxsjy/jieba http://blog.csdn.net/FontThrone/article/details/72782499 2. 特征提取： 去掉停用词后（stopwords.txt），采用TFIDF作为每个文本的特征描述。 3. 采用KMeans聚类算法，根据第2 步得到特征对企业进行聚类， 尝试K=5，10，15，20，30，..., 50, 并选择合适的度量指标，选择最佳的K。