Rank教程: 07-Learning to Rank Pointwise
欢迎转载，作者：Ling，注明出处：Rank教程: 07-Learning to Rank Pointwise 本文不打算详细介绍每个算法，具体算法细节可以看Paper，但是本文会大致给…
-
93
文章
-
51920
评论
-
1
邻居
AI
Rank教程: 06-Learning to Rank 概述
欢迎转载，作者：Ling，注明出处：Rank教程: 06-Learning to Rank 概述 机器学习排序：Learning to Rank 之前考虑的特征种类非常少，当特征数目增多…
Rank教程: 04-概率检索模型
欢迎转载，作者：Ling，注明出处：Rank教程: 04-概率检索模型 概率检索模型(Probabilistic Retrieval Model)： 定义： 根据文档与用户需求相关性由高…
Rank教程: 03-向量空间模型
欢迎转载，作者：Ling，注明出处：Rank教程: 03-向量空间模型 向量空间模型(Vector Space Model) 将Query和Document都表示成一个N维的向量，然后通…
Rank教程: 02-布尔模型
欢迎转载，作者：Ling，注明出处：Rank教程: 02-布尔模型 布尔模型(Boolean Model): 是最简单一种检索排序模型，主要通过“与/或/非”检索…
Rank教程: 01-概述
欢迎转载，作者：Ling，注明出处：Rank教程: 01-概述 本系列教程不会像机器学习，深度学习和强化学习一样，细扣每一个公式，但是会把核心技术都介绍到，主要理解为什么这么做，并且是怎…
强化学习教程: 10-强化学习公式大全
欢迎转载，作者：Ling，注明出处：强化学习教程: 10-强化学习公式大全 回报： 值函数：Value Function 策略函数：Policy Function 马尔科夫奖励过程的贝尔…
强化学习教程: 09-Exploration and Exploitation
欢迎转载，作者：Ling，注明出处：强化学习教程: 09-Exploration and Exploitation 本章主要讲解了强化学习中一个基本的权衡问题，就是探索与开发的问题，这是…
强化学习教程: 08-Model-Based RL Dyna and Tree Search
欢迎转载，作者：Ling，注明出处：强化学习教程: 08-Model-Based RL Dyna and Tree Search 上一章是从经验(Experience)中学策略(Poli…
强化学习教程: 07-Model-Free Policy Gradient and Actor-Critic
欢迎转载，作者：Ling，注明出处：强化学习教程: 07-Model-Free Policy Gradient and Actor-Critic 前面所介绍的都是Value-Based …
