前言 哈嘍大家週五好，我們又見面了，感謝大家在這個週五讀我的文章，經過了三週的時間，當然每週兩篇的速度的情況下，咱們簡單說了下DDD領域驅動設計的第一部分，主要包括了，《專案入門DDD架構淺析》，《 領域

此文已由作者餘笑天授權網易雲社群釋出。 歡迎訪問網易雲社群，瞭解更多網易技術產品運營經驗。 1背景簡介 1.1 jenkins Jenkins是一個用Java編寫的開源的持續整合工具

本文為你展示，如何用10幾行 Python 語句，把 Yelp 評論資料情感分類效果做到一流水平。 疑問 在《 如何用 Python 和 fast.ai 做影象深度遷

作者：Sean Owen 編譯：weakish 相關和因果 相關性不等於因果。 僅僅因為冰淇淋和美黑霜銷量同時上升或下降並不意味著兩者之間有什麼因果關係。然而，人類的思考方式傾向於因果關

人的社會屬性決定了人與人之間的互動已經滲透到日常生活的方方面面，無論是在工作中與同事協作完成既定專案，亦或是到線上平臺上參與公眾討論以實現個人向社會的發聲，互動文字作為互動行為發生的基本載體可謂無處不在。如何

在 EMNLP 2018 中，針對短文字的處理，騰訊 AI Lab 釋出了 論文 Topic Memory Networks for Short TextClassification。這篇論文由騰訊 AI L

(本文所使用的Python庫和版本號: Python 3.6, Numpy 1.14, scikit-learn 0.19, matplotlib 2.2 ) 股票資料是非常非常典型的時序資料，資料都是按照

(本文所使用的Python庫和版本號: Python 3.6, Numpy 1.14, scikit-learn 0.19, matplotlib 2.2 ) 隱馬爾科夫模型（Hidden Markov M

來源：ACL 2018 原文： Universal Language Model Fine-tuning for Text Classification Introduction 遷移學習在

1. 對於以下程式碼，char* p=new char[100]; 正確的是（p在棧上，new出來的在堆上）。 p是一個指標，所以儲存在棧上，p中儲存的是新建的動態記憶體的地址，新建的動態

自然語言處理中的語言模型預訓練方法 最近，在自然語言處理（ NLP ）領域中，使用語言模型預訓練方法在多項 NLP 任務上都獲得了不錯的提升，廣泛受到了各界的關注。就此，我將最近看的一些相關論文進行總結，

Google AI Language在2018.10釋出的論文，提出一種預訓練語言模型，在十多個NLP任務中取得了SOTA的效果。 1.現有的LM 兩種使用語言模型的方法： Feature-bas

本文基於日常運維工作中遇到的問題，從人類直覺和數學工具幾個方面提供了預測的方法。 上篇文章回顧：從Minos部署系統談談XML-RPC

機器學習 一般來說，一個學習問題通常會考慮一系列 n 個 樣本 資料，然後嘗試預測未知資料的屬性。 如果每個樣本是 多個屬性的資料，比如說是一個多維記錄），就說它有許多“屬性”，或稱 features(特

視覺迴歸測試 我們認為如果一個介面通過第一次的人工驗證併發布之後，它就是一個正確的標準介面，並且是包含了人工測試價值的資產。當下一次測試的時候，這部分價值就應該被保留並重用起來，用於減少新的一次測試的時間，從而實現