机器学习笔记 -- 自然语言处理、智能感知与通信、智慧医疗
自然语言处理
Hung-Yi Lee
- Homepage: https://speech.ee.ntu.edu.tw/~hylee/index.php
- NLP: https://speech.ee.ntu.edu.tw/~hylee/dlhlp/2020-spring.php
Vector Space Models https://www.kaggle.com/code/shivamsourav2002/vector-space-models
N-gram 语言模型与平滑技术 https://www.kaggle.com/code/rtatman/tutorial-getting-n-grams Spanish text corpora https://www.sketchengine.eu/guide/n-grams-multiword-expressions/
Neural Network Word Embedding Using Keras https://www.kaggle.com/code/ozlerhakan/neural-network-word-embedding-using-keras https://github.com/y33-j3T/Coursera-Deep-Learning/blob/master/Natural%20Language%20Processing%20with%20Probabilistic%20Models/Week%204%20-%20Word%20Embeddings%20with%20Neural%20Networks/NLP_C2_W4_lecture_nb_01.ipynb
高级软件工程
gstack：把 Claude Code 变成软件工厂 https://omniscient-house-4e0.notion.site/deb10f4bbd7941daa551d075063ba5be
智能感知与通信
智能感知技术
从压缩感知到视觉跟踪 稀疏表示理论、RIP 严格数学基础与 L1 Tracker 应用
RIP（Restricted Isometry Property）严格数学基础
定义 ：字典 $D$ 对所有 k-稀疏向量 $x$ 保持长度近似不变：
\[(1 - \delta_k)|x|_2^2 \le |D x|_2^2 \le (1 + \delta_k)|x|_2^2\]- $\delta_k \in (0,1)$ 称为 RIP 常数
- 含义：任意 k 个原子形成的子字典近似正交
- 数学基础：RIP 是保证 ℓ₁ 最小化恢复稀疏解的充分条件
- Candes 定理 （严格条件）：如果 $\delta_{2k} < \sqrt{2} - 1$，ℓ₁优化可以准确恢复 k-稀疏向量。
本质上，RIP 是一个“长度保持不变”的条件，它量化了字典与理想正交字典的接近程度。
智慧医疗技术与系统
参考资料快照
- https://speech.ee.ntu.edu.tw/~hylee/index.php
- https://speech.ee.ntu.edu.tw/~hylee/dlhlp/2020-spring.php
- https://www.kaggle.com/code/shivamsourav2002/vector-space-models
- https://www.kaggle.com/code/rtatman/tutorial-getting-n-grams
- https://www.sketchengine.eu/guide/n-grams-multiword-expressions/
- https://www.kaggle.com/code/ozlerhakan/neural-network-word-embedding-using-keras
- https://github.com/y33-j3T/Coursera-Deep-Learning/blob/master/Natural%20Language%20Processing%20with%20Probabilistic%20Models/Week%204%20-%20Word%20Embeddings%20with%20Neural%20Networks/NLP_C2_W4_lecture_nb_01.ipynb
- https://omniscient-house-4e0.notion.site/deb10f4bbd7941daa551d075063ba5be
.