机器学习模型的python与类库实现 本repo以李航博士的《统计学习方法》为路线，逐章讲解并实现其中所有的算法；从而，再加上常用的机器学习模型，例如GBDT，XGBoost，Light GBM，FM，FFM等，力争将传统的机器学习方法能够融汇互换 :party_popper: 。 统计学习方法｜感知机模型 模型理论讲解： 模型代码实现： ， 统计学习方法｜ K近邻 模型理论讲解： 模型代码实现： ， 统计学习方法｜朴素贝叶斯 模型理论讲解： 模型代码实现： ， 统计学习方法｜决策树 模型理论讲解： 模型代码实现： ， 统计学习方法｜ logistic回归 模型理论讲解： 模型代码实现： ， 机器学习｜ softmax 模型理论 模型代码实现： 统计学习方法｜最大熵模型 模型理论讲解： 模型代码实现： 统计学习方法｜支持向量机 模型理论讲解： 模型代码实现： ， 统计学习方法｜

该代码完整实现了基于bilstm+crf的tensorflow实现，可训练、预测。 ├── Batch.py # 实现batch功能 ├── bilstm_crf.py # 模型定义 ├── data # 数据文件夹 │   ├── Bosondata.pkl # 训练数据的输入（加工后） │   ├── generate_dataset.py # 数据加工脚本，将原数据处理成模型需要的格式 │   └── wordtagsplit.txt # 原数据 ├── train.py # 训练相关的代码 └── utils.py # 功能函数

本资源属于代码类，是一些nlp工具的使用 nlp 工具 word2vec nltk textblob crf++ （1）机器人 （2）中文翻译，及繁体转简体 （3）关键词提取，主题提取，摘要提取 （4）命名体识别 （5）分词 （6）情感分析，正负类分析 （7）近义词，同义词，句子相似性 （8）聚类，监督，无监督 （9）词性标注 （10）词向量提取

是电子病历核心的编辑器，有修改记录等功能，可以二次开发使用

numpy复现CRF（条件随机场）内含数据集。CRF可以定义数量更多，种类更丰富的特征函数。HMM模型具有天然具有局部性，就是说，在HMM模型中，当前的单词只依赖于当前的标签，当前的标签只依赖于前一个标签。

zip中含有6个文件，三个数据集，三个pkl 1. vocabs/speaker_vocab.pkl 2. vocabs/emotion_vocab.pkl 3. vocabs/sentiment_vocab.pkl 4. dev_sent_emo.csv 5. train_sent_emo.csv 6. test_sent_emo.csv

对应这篇文章的数据集，小伙伴们自行取走： https://sito8.blog.csdn.net/article/details/123233758?spm=1001.2014.3001.5502

Remote_Sensing_Satellite_Map_Segmentation 使用Segnet，SLIC和CRF对轻云和厚云的像素进行分类。

# 中文命名实体识别 基于条件随机场（Conditional Random Field, CRF)的NER模型 ## 数据集 数据集用的是论文ACL 2018[Chinese NER using Lattice LSTM](https://github.com/jiesutd/LatticeLSTM)中收集的简历数据，数据的格式如下，它的每一行由一个字及其对应的标注组成，标注集采用BIOES，句子之间用一个空行隔开。 ``` 美 B-LOC 国 E-LOC 的 O 华 B-PER 莱 I-PER 士 E-PER 我 O 跟 O 他 O 谈 O 笑 O 风 O 生 O ``` 该数据集就位于项目目录下的`data`文件夹里。 ## 运行结果 具体的输出可以查看`output.txt`文件。 ## 环境 首先安装依赖项： pip3 install -r requirement.txt 安装完毕之后，直接使用 python3 main.py > output.txt 即可训练、评估以及测试模型，评估模型将会打印出模型的精确率、召回率、F1分数值以及混淆矩阵

目标分割DeepLab v1ABSTRACT1、 INTRODUCTION2、 RELATED WORK3、 CONVOLUTIONAL NEURAL NETWORKS FOR DENSE IMAGE LABELING3.1 利用空洞算法实现高效的密集滑动窗口特征提取3.2 利用卷积网控制感受野大小，加速密集计算4、 DETAILED BOUNDARY RECOVERY : FULLY-CONNECTED CONDITIONAL RANDOM FIELDS AND MULTI-SCALE PREDICTION4.1 全连通条件随机域CRF精确定位4.2 多尺度预测Reference 原文：Se