update

vivienzou1 · Aug 31, 2018 · 9b445b1 · 9b445b1
1 parent ca6bcef
commit 9b445b1
Show file tree

Hide file tree

Showing 6 changed files with 100 additions and 10 deletions.
diff --git a/README.md b/README.md
@@ -21,13 +21,13 @@
     - [《深度学习》整理](./机器学习-深度学习-NLP/DL-《深度学习》整理.md)
     - [专题-CNN](./机器学习-深度学习-NLP/DL-B-专题-CNN.md)
     - [专题-RNN](./机器学习-深度学习-NLP/DL-B-专题-RNN.md)
-    - [序列建模](./机器学习-深度学习-NLP/DL-C-专题-序列建模.md)
+    - [专题-序列建模](./机器学习-深度学习-NLP/DL-C-专题-序列建模.md)
   - 机器学习
     - [机器学习算法](./机器学习-深度学习-NLP/ML-机器学习算法.md)
     - [机器学习实践](./机器学习-深度学习-NLP/ML-机器学习实践.md)
   - 自然语言处理
     - [NLP 基础](./机器学习-深度学习-NLP/NLP-A-自然语言处理基础.md)
-    - [词向量](./机器学习-深度学习-NLP/NLP-B-专题-词向量.md)
+    - [专题-词向量](./机器学习-深度学习-NLP/NLP-B-专题-词向量.md)
       - [Word2Vec](./机器学习-深度学习-NLP/NLP-B-专题-词向量.md#word2vec)
       - [GloVe](./机器学习-深度学习-NLP/NLP-B-专题-词向量.md#glove)
       - [FastText](./机器学习-深度学习-NLP/NLP-B-专题-词向量.md#fasttext)

diff --git a/ToDo.md b/ToDo.md
@@ -18,6 +18,7 @@ Updates Log
   - 缺失值
   - 特征工程，特征选择的标志（为什么选择这些特征）
   - XGB 调参的方法、LightGBM、CatBoost
+    - gbdt,xgboost,lgbm的区别
   - 模型融合的方法
   - 数据可视化分析 - 流形学习
 - NLP-句向量
@@ -39,10 +40,26 @@ Updates Log
 - HR面常见问题
 - 超参数调优
 - 机器学习实战-部分代码（K-Means等）
-- 二叉树最长路径
 - 判断相似二叉树及优化
 - `max(x, y)` 的期望
 
+
+## 2018-8-31
+- 数据结构 - 字符串 - 中缀表达式转后缀表达式（逆波兰式）
+- 数据结构 - 二叉树 - 最大路径和
+- 深度学习 - 基础 - 批量归一化（BN）
+
+## 2018-8-30
+- 算法 - 海量数据处理专题 - 判断一个数是否在 40 亿个数中出现
+- 笔试面经 - 招行 - 推倒吧骨牌
+
+## 2018-8-29
+- DL-专题-RNN
+  - RNN 的 3 种设计模式
+- DL-专题-序列建模
+  - Seq2Seq
+    - Beam Search
+
 ## 2018-8-28
 - 完善 K-Means 注释
 - 算法-随机数
@@ -54,7 +71,6 @@ Updates Log
   - K-Means
 - 360 笔试
 - 算法-数据结构
-  - 
 
 ## 2018-8-26
 - 深度学习基础

diff --git a/papers/Attention机制/README.md b/papers/Attention机制/README.md
@@ -7,13 +7,28 @@ Index
 
 - [[2017].Attention_is_All_You_Need](#2017attention_is_all_you_need)
 - [[2017].A_Structured_Self-attentive_Sentence_Embedding](#2017a_structured_self-attentive_sentence_embedding)
+- [[2018].Densely_Connected_CNN_with_Multiscale_Feature_Attention](#2018densely_connected_cnn_with_multiscale_feature_attention)
+- [[2018].Next_Item_Recommendation_with_Self-Attention](#2018next_item_recommendation_with_self-attention)
 
 <!-- /TOC -->
 
 ## [2017].Attention_is_All_You_Need
-
+- 谷歌大脑出品，很有名的一篇文章
 
 ## [2017].A_Structured_Self-attentive_Sentence_Embedding
 - [[2017].Attention_is_All_You_Need](#2017attention_is_all_you_need) 中引用了本文
 - 本文使用 Self-Attention 学习**任务无关**的 Sentence Embedding
-  > 我曾在搜狗的面试中被问到“知道哪些方法可以学习任务无关的句向量吗？”
+  > 我曾在搜狗的面试中被问到“知道哪些方法可以学习任务无关的句向量吗？”
+
+## [2018].Densely_Connected_CNN_with_Multiscale_Feature_Attention
+- PaperWeekly 周推荐 > https://www.paperweekly.site/papers/2240
+- 源码：https://github.com/wangshy31/Densely-Connected-CNN-with-Multiscale-Feature-Attention
+
+- 本文是清华大学发表于 IJCAI 2018 的工作。针对文本分类任务中卷积神经网络通常无法灵活学习可变 n 元特征（n-gram）的问题，论文提出了一种具有**适应式注意力机制**的**密集连接的卷积神经网络**。该模型通过建立底层特征和高层特征之间的**跨层连接**，从而获得了丰富的**多尺度特征**，而注意力模型能够**自适应地选择合适尺度的特征**以适用于各种不同的文本分类问题。该法面向六个公开数据集均实现了超过基线的预测精度。
+
+## [2018].Next_Item_Recommendation_with_Self-Attention
+- PaperWeekly 周推荐 > https://www.paperweekly.site/papers/2246
+
+- 本文提出了一种基于 self-attention 的基于序列的**推荐算法**，该算法是用 self-attention 从用户的**交互记录**中自己的去学习用户**近期的兴趣**，同时该模型也保留了用户**长久的兴趣**。整个网络是在 **metric learning** 的框架下，是第一次将 self-attention 和 metric learning 的结合的尝试。
+
+- 实验结果表明，通过 self-attention，模型可以很好的学习用户的短期兴趣爱好，并且能有效的提升模型效果。通过和近期的文章得对比发现，该方法可以在很大程度上改善**序列化推荐**的效果。
diff --git a/papers/Attention机制/[2018].Densely_Connected_CNN_with_Multiscale_Feature_Attention.pdf b/papers/Attention机制/[2018].Densely_Connected_CNN_with_Multiscale_Feature_Attention.pdf
diff --git a/招聘要求.md b/招聘要求.md
@@ -3,6 +3,9 @@
 <!-- TOC -->
 
 - [机器学习/AI/算法](#机器学习ai算法)
+  - [网易游戏-智能运维算法工程师](#网易游戏-智能运维算法工程师)
+  - [远景-算法工程师-最优化/深度学习（上海）](#远景-算法工程师-最优化深度学习上海)
+  - [图森未来-深度学习框架研发工程师（2019校园招聘）](#图森未来-深度学习框架研发工程师2019校园招聘)
   - [小红书-机器学习算法工程师（2019校招）](#小红书-机器学习算法工程师2019校招)
   - [迅雷-人工智能工程师](#迅雷-人工智能工程师)
   - [京东-算法工程师](#京东-算法工程师)
@@ -25,6 +28,62 @@
 
 # 机器学习/AI/算法
 
+## 网易游戏-智能运维算法工程师
+
+**您可以**：
+```
+- 面对海量数据，设计和实现智能运维所需的策略和算法；
+- 关注相关方向的前沿研究，并将相关成果工程化落地到智能运维平台。
+```
+
+**我们希望你具备以下条件**：
+```
+- 在数学、计算机、机器学习等领域有本科以上学位；
+- 对数据敏感，熟悉各类数据分析和预测算法、机器学习算法，并精通其中至少一类；
+- 熟练掌握至少一种常用编程语言，如Python、R、Java、Go等，具有算法工程化能力；
+- 拥有持续学习的欲望和能力，对应用数据算法解决现实业务问题具有热情；
+- 在机器学习、数据分析、预测方面具有实际项目经历优先。
+```
+
+## 远景-算法工程师-最优化/深度学习（上海）
+> [远景2019校园招聘](http://recruit.envisioncn.com/jobList.html?goType=EnvisioncnDigital) 
+
+**工作内容**
+```
+采用人工智能技术，将新能源开发过程中的设计过程算法化，
+如风险特征提取、资源规划、物流规划、电器设计、结构设计等。设计算法，向软件团队交付模型。
+```
+**职位要求**
+```
+1、计算机或软件工程专业硕士及以上学历；
+2、扎实的数理建模基础、抽象思维和快速学习能力，数学、运筹学、计算机、自动化专业优先；
+3、熟悉组合优化的经典算法和问题，理解原理，熟悉和掌握智能优化算法，如进化、模拟退火等；
+4、掌握一种以上常用深度学习框架，如tensorflow、keras、torch，熟悉卷积神经网络类的原理，理解指针网络的原理；
+5、熟练掌握C++、Python。
+```
+
+## 图森未来-深度学习框架研发工程师（2019校园招聘）
+> [北京图森未来科技有限公司](https://app.mokahr.com/campus_apply/tusenweilai#/job/687ec29b-5dd6-4cc8-80bb-a79a1337b884?_k=urfwgl) - 校园招聘 
+
+**职位描述**
+```
+岗位职责：
+针对公司内部需求，优化深度学习平台（MXNet）训练和部署性能；
+基于MXNet，设计和研发大规模分布式训练平台；
+为相关开源项目贡献新Feature。
+```
+
+**任职要求**
+```
+了解机器学习以及深度学习基本知识；熟悉计算机体系结构和性能优化基本知识；
+在相关开源项目（MXNet，Caffe，TensorFlow，PyTorch）有贡献者优先。
+```
+
+**加分项**：
+```
+有并行分布式开发经验或ACMICPC/超算比赛等参赛经验。
+```
+
 ## 小红书-机器学习算法工程师（2019校招）
 > 小红书校园招聘 https://campus.xiaohongshu.com/jobs/310177699
 

diff --git a/算法/专题-动态规划.md → 算法/专题-A-动态规划.md b/算法/专题-动态规划.md → 算法/专题-A-动态规划.md
@@ -38,7 +38,7 @@ Index
 - [编辑距离](#编辑距离)
 - [最长公共子序列（LCS）](#最长公共子序列lcs)
   - [最长公共子串](#最长公共子串)
-- [最长递增/上升子序列（LIS）](#最长递增上升子序列lis)
+- [最长递增子序列（LIS）](#最长递增子序列lis)
 - [最长回文子序列](#最长回文子序列)
   - [最长回文子串](#最长回文子串)
 - [最大连续子序列和](#最大连续子序列和)
@@ -775,7 +775,7 @@ int main() {
   ```
 
 
-## 最长递增/上升子序列（LIS）
+## 最长递增子序列（LIS）
 > [最长递增子序列](https://www.nowcoder.com/questionTerminal/585d46a1447b4064b749f08c2ab9ce66)_牛客网
 >
 > [最长上升子序列](https://leetcode-cn.com/problems/longest-increasing-subsequence/description/) - LeetCode
@@ -892,8 +892,8 @@ int main() {
           vector<int> dp;
 
           for (int j = 0; j < n; j++) {
-              // 这里用 lower_bound 也可以
-              auto it = upper_bound(dp.begin(), dp.end(), nums[j]);
+              // 这里用 upper_bound 也可以
+              auto it = lower_bound(dp.begin(), dp.end(), nums[j]);
               if (it == dp.end())
                   dp.push_back(nums[j]);
               else