С новым оборотом по орбите, Реактор! Больше контентов, хороших и разных!
Еще на тему
Реминисценция и ригидность
Популярные праздник
 | Новый ГодРейтинг: 101,638.6 |
 | ХеллоуинРейтинг: 80,051.1 |
 | рождествоРейтинг: 30,660.5 |
 | 14 февраляРейтинг: 23,614.2 |
 | 8 мартаРейтинг: 21,039.2 |
 | ПасхаРейтинг: 10,692.0 |
 | 1 сентябряРейтинг: 6,978.8 |
 | 23 февраляРейтинг: 6,633.6 |
 | день космонавтикиРейтинг: 5,886.7 |
 | 1 апреляРейтинг: 5,858.4 |
Сейчас на сайте
Всего пользователей на сайте: 664
Я тут недавно накидывал свёрточную (да-да, именно её. Только свёртка одномерная и охватывающая весь вектор) для этих целей. Точнее как - подглядел готовую реализацию, и склепал чуть более удобную обёртку к ней.
Так что был бы рад увидеть сравнение точности классификации.
http://bitbucket.org/alex43210/pynlc
Вот как мне, простому гуманитарию, читать это?
Если вдруг интересно - объясняю.
LSTM - один из типов нейронной сети, которые можно использовать для обработки последовательностей чисел/векторов.
word2vec - одна из технологий для получения векторного представления слов. Читай - подменяем каждой слово, допустим, сотней чисел. Киллерфича в том, что эта сотня для схожих по употреблению (читай - упоминаемых в похожих контекстах) слов они с высокой вероятностью будут близки. Т.е. условное length(vector("car") - vector("bus"))
В общем, length(vector("car") - vector("bus")) < length(vector("car") - vector("water"))
Как-то так