learn to rank有哪些比較好的開源庫？最好用C或者Python。XGboost可以求解，目標(biāo)函數(shù)可以作為rank:pairwis機(jī)器學(xué)習(xí)需要哪些數(shù)學(xué)基礎(chǔ)？對于從事機(jī)器學(xué)習(xí)的學(xué)生來說，高等數(shù)學(xué)

learn to rank有哪些比較好的開源庫？

最好用C或者Python。

XGboost可以求解，目標(biāo)函數(shù)可以作為rank:pairwis

機(jī)器學(xué)習(xí)需要哪些數(shù)學(xué)基礎(chǔ)？

對于從事機(jī)器學(xué)習(xí)的學(xué)生來說，高等數(shù)學(xué)、線性代數(shù)、概率論和數(shù)理統(tǒng)計是三門課程中最重要的數(shù)學(xué)基礎(chǔ)。我來分別解釋一下這三個方面在機(jī)器學(xué)習(xí)中的作用。

1.微積分、牛頓迭代、拉格朗日乘子法、高等數(shù)學(xué)中的泰勒展開等知識點都在機(jī)器學(xué)習(xí)中有應(yīng)用。比如在logistic回歸模型中求梯度時需要偏導(dǎo)數(shù)，優(yōu)化目標(biāo)使用牛頓迭代法，約束優(yōu)化問題的SVM使用拉格朗日乘子法等等。，以及高等數(shù)學(xué)的其他知識點都或多或少的體現(xiàn)在機(jī)器學(xué)習(xí)中。

分解，張量分解，線性代數(shù)推薦系統(tǒng)中使用的非負(fù)矩陣分解NMF，PCA主成分分析中的特征值和矩陣運算。我來貼一下之前用矩陣求導(dǎo)解決最小二乘問題的公式推導(dǎo)過程，體會一下線性代數(shù)的重要性。

最小二乘的求解可以用梯度下降迭代或牛頓迭代求解，但也可以基于矩陣求導(dǎo)計算。其計算方法更加簡潔高效，不需要大量迭代，只需要解一個正規(guī)方程組。

總之，對于機(jī)器學(xué)習(xí)來說，線性代數(shù)比高數(shù)更重要。

3.概率論與數(shù)理統(tǒng)計概率論與數(shù)理統(tǒng)計就更重要了，比如樸素貝葉斯分類和概率圖模型中用到的貝葉斯公式，高斯過程，最大熵模型，抽樣方法，NLP領(lǐng)域的大部分算法都與概率論有關(guān)，比如基于LDA的主題模型，基于CRF的序列標(biāo)注模型，分詞系統(tǒng)等等。

所以，要從事機(jī)器學(xué)習(xí)，高等數(shù)學(xué)、線性代數(shù)、概率論、數(shù)理統(tǒng)計都是必不可少的數(shù)學(xué)基礎(chǔ)。

c語言除和模的區(qū)別？

通常模運算(mod)和余數(shù)運算(rem)是混淆的，因為在大多數(shù)編程語言中，模運算或余數(shù)運算是用%符號表示的。它是一個具有左結(jié)合性的二元運算符。運算中涉及的量都是整數(shù)。模運算的結(jié)果等于兩個數(shù)相除后的余數(shù)。例如:

5!,1!

5%2.0和5.0%2的結(jié)果是語法錯誤。

這里要提醒大家，在當(dāng)前環(huán)境下，要非常注意%運算符的具體含義，因為在負(fù)數(shù)的情況下，兩者的結(jié)果是不一樣的。

對于整數(shù)A和B，模運算或余數(shù)運算的方法有:

1.求整數(shù)商:c a/b；

2.計算模數(shù)或余數(shù):r a-c * B。

模運算和余數(shù)運算在第一步中是不同的。:余數(shù)運算取c的值時，四舍五入為0 (fix()函數(shù))；當(dāng)計算c的值時，模運算舍入到無窮小方向(floor()函數(shù))。

所謂0方向舍入，就是以小數(shù)點為界，直接去掉小數(shù)部分。如(Int)-1.324-1(也叫截斷法)；

向無窮小方向舍入，意味著最終結(jié)果小于真實值。如(int)-1.324-2；(這里的int是cast數(shù)據(jù)類型)

所以當(dāng)a和b

符號相同時，模運算和余數(shù)運算得到的c值相同，所以結(jié)果相同；

當(dāng)符號不一致時，結(jié)果是不同的。

具體來說，余數(shù)運算結(jié)果的符號與A(截斷法)一致，模運算結(jié)果的符號與B(較小法)一致。

在C語言中，符號%代表余數(shù)運算，在Python腳本中，%代表模。(通常模運算中不允許b是負(fù)數(shù)，但是在python 2.5.1%中可以跟負(fù)數(shù)，因為python語言中除法的結(jié)果是四舍五入到0，所以計算結(jié)果是模！)