在机器学习或者深度学习中，正则项是我们经常遇到的概念。它对提高模型的准确性和泛化能力非常重要。本文详细描述了正则项的来源以及与其他概念的相关关系。
在我们给推荐问题建模时，神秘的正则化项L0、L1、L2的选择对模型很重要。为什么要加正则化？正则化有哪几种形式？到底该选择哪种正则化来建模呢？正则化项与推荐问题的关系？
Seq2Seq的建模解释和Keras中Simple RNN Cell的计算及其代码示例
三层Dirichlet 过程(非参贝叶斯模型)-来自Machine Learning
正则项的理解之正则从哪里来
MySQL8授权用户远程连接失败，提示ERROR 1410 (42000): You are not allowed to create a user with GRANT
关于border
hive数据操作
Pandas用法小册子
sqoop将mysql数据导入到hive指定的数据库中
Python之numpy.argpartition
Dirichlet Process and Stick-Breaking（DP的Stick-breaking 构造）
Dirichlet Distribution（狄利克雷分布）与Dirichlet Process（狄利克雷过程）
回归模型中的交互项简介（Interactions in Regression）
贝塔分布（Beta Distribution）简介及其应用
矩母函数简介（Moment-generating function）
使用R语言进行K-means聚类并分析结果
普通最小二乘法（Ordinary Least Squares，OLS）的详细推导过程
H5文件简介和使用
stata 用outreg2输出回归结果
最小二乘法（Least Squares）详细介绍
深度学习技巧之Early Stopping（早停法）