动态时间规整 dynamic time warping (DTW)

测量的两个变化速度不同的时间序列之间距离的方法

HMM-5-连续观测-高斯混合模型(HMM-GMM)

HMM-GMM 高斯混合密度实现连续观测序列

HMM-4-学习模型参数(Baum-Welch)

使用Baum-Welch算法学习从给定多个观测序列中HMM模型参数,同时解决机器精度造成的计算稳定性问题。

HMM-3-查找最大概率状态序列(Viterbi)

给定观测序列和模型参数时,查找最大概率状态序列

HMM-2-计算观测序列概率(forward-backward)

给定模型参数,计算给定任意观测序列的概率. forward-backward

HMM-1-简介

1960s, Baum和他的同事发布一系列论文, 1970s CMU的Baker用于实现语音处理, IBM Jelinek和他的同事用于语音处理, Hidden Markov Models 当前状态仅与上一步状态相关,与上一步之前的状态无关.

中文分词词性和序列标注之BI-LSTM-CRF-2-代码试验

使用tensorflow实现简易bi-lstm-crf序列标注(分词应用)。并使用pku语料训练和评估。

中文分词词性和序列标注之CRF-6-试验效果

CRF 条件随机场分词和序列标注效果测试.和代码试验. 使用C/C++/Python混合实现,高性能需求部分由C/C++ ublas openmp实现,文本处理用python实现。

中文分词词性和序列标注之MEMM-5-最优化算法-LBFGS-PKU效果

使用BFGS/LBFGS算法优化MEMM模型并得到pku评分.

centos6编译安装tensorflow+mkl

编译tensorflow-1.1.0启用mkl选项,适合centos6/redhat6, 适合intel 普通处理器,xeon处理器,intel xeon phi计算卡

Proudly powered by WordPress   Premium Style Theme by www.gopiplus.com