最近在看文本分类系列模型，应该会陆续更新几篇有关文本分类模型的博客，大概一周内更新完成，之后开始做文本匹配的东西，虽然这些模型网上有很多解读了，但是只有自己写出来了，才算是自己的呀。本篇博客讲解最为经典的RCNN模型，并采用tensorflow2来进行实现。

最近在看文本分类系列模型，应该会陆续更新几篇有关文本分类模型的博客，大概一周内更新完成，之后开始做文本匹配的东西，虽然这些模型网上有很多解读了，但是只有自己写出来了，才算是自己的呀。本篇博客讲解最为经典的textCNN模型，并采用tensorflow2来进行实现。

十大排序算法实在是太过于经典了，因此，这篇博客将对十大排序算法进行总结，以C++实现为主。

This blog is aimed at collecting interview problems and solutions through nowcoder,books and so on. So, I will update this article usually. Best luck for me and everyone to find a satisfactory intern!🤩

XGBoost、LightGBM、catBoost是GBDT模型的三大工程化的实现。前面已经对XGBoost模型进行了讲解，这篇博客将对LightGBM与catBoost模型进行讲解。由于三大模型有很多需要相似的地方，大部分基础部分在XGBoost那片已经讲解过了，所以这篇博客将着重讲解模型自身创新的地方。

在如今的NLP领域中，预训练模型占据着愈发重要的地位。而BERT的出世，更是几乎横扫了NLP中所有的任务记录。本篇博客将详解几大预训练模型：ELMo、GPT、BERT、XLNet、ERNIE、ALBERT。(下图是可爱的bert😋注意，这真不是芝麻街啊喂！)

词向量是NLP中最为重要的概念。词向量的好坏直接影响到下游任务的效果。然而，即便在ELMo、BERT、ALBERT等预训练模型大行其道的当今，word2vec、GloVe、fastText仍然是目前最为流行的词向量训练方式。因此，本篇博客将具体讲解这三种词向量训练的原理，并使用gensim来展示如何使用这些词向量模型，以便得到我们想要的词向量。

FM(Factorization Machines)模型与FFM(Field-aware Factorization Machines)模型，是在推荐系统中常用的两个模型。其实我本不想去写这两个模型的，毕竟我并不是搞推荐系统的，而且NLP方面我还没看的论文太多了😭，但是最近突然发现在看有关LR模型的题的时候，讲到了这两个模型，所以记录一下。

softmax是非常简单的多分类模型，常见于神经网络中的输出层。那为什么这么简单的模型还要花时间写篇文章来讲呢？原因在于：LR模型大家都很熟悉了，而softmax模型大家都不是很关注，因为可能觉得softmax是LR的推广，所以就没有详细去推导过softmax模型以及它的反向传播。所以，这篇博客，将着重讲解一下关于softmax模型导数的推导与反向传播的推导，并采用python进行实现。

XGBoost模型是集成学习中最为著名的一个模型。不用我说，我相信只要做ML/DM/DL领域的筒子们，都会听说过这个模型。这篇博客将详细地讲解XGBoost模型的原理，并且使用XGBoost库来实践。注意：在看XGBoost之前，请务必要读懂CART与GBDT，具体可参看我之前的文章：CART、GBDT。