С новым оборотом по орбите, Реактор! Больше контентов, хороших и разных!
Еще на тему
TOR и VPN
Популярные праздник
 | Новый ГодРейтинг: 101,563.2 |
 | ХеллоуинРейтинг: 69,957.1 |
 | рождествоРейтинг: 30,477.2 |
 | 14 февраляРейтинг: 23,543.6 |
 | 8 мартаРейтинг: 21,039.9 |
 | ПасхаРейтинг: 9,809.2 |
 | 23 февраляРейтинг: 6,625.1 |
 | 1 сентябряРейтинг: 6,220.4 |
 | день космонавтикиРейтинг: 5,883.8 |
 | 1 апреляРейтинг: 5,845.6 |
Сейчас на сайте
Всего пользователей на сайте: 1126
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