なぜ自然言語処理にとって単語の分散表現は重要なのか？ - Qiita
なぜ自然言語処理にとって単語の分散表現は重要なのでしょうか？ この記事をご覧になっている方は Word2vec(Mikolov et al., 2013) についてご存知かもしれません。Word2vec ではまるで単語の意味を捉えられているかのような演算を行うことができます。例えば King から Man を引き Woman を足すと Queen が得られる(King - Man + Woman = Queen)というのは有名な例です。 from https://www.tensorflow.org/get_started/embedding_viz 実はその内部では、単語を分散表現(あるいは埋め込み表現)と呼ばれる200次元ほどのベクトルで表現してベクトルの足し引きを行っています。この200次元ほどのベクトル内部に各単語の特徴が格納されていると考えられています。そのため、ベクトルの足し引
TensorFlow Tutorialの数学的背景 − MNIST For ML Beginners（その2） - めもめも
enakai00.hatenablog.com 何の話かというと 上記の記事の続きです。 線形多項分類器 前回は、平面を2つの領域に分割しましたが、次のステップとして、3つ以上の領域に分類する方法を考えます。色々な方法が考えられますが、ここでは、前回同様に一次関数を用いて分類する方法を用います。たとえば、3つに分類する場合、前回の と同様の関数を3つ用意します。 そして、ある点 に対して、 〜 の中で値が最も大きくなるものでこの点の分類を決めます。たとえば、 が最大だった場合、この点は「グループ2」に属するという具合です。 これは、図形的には次のように理解できます。あえて言葉で説明するので、その様子を頭の中で想像してください。 まず、 平面に縦方向の軸を追加して、関数 の値をグラフに描くと、 平面に対して、傾いた板が配置される形になります。 平面と「傾いた板」が交わる直線が に対応します。
1
リリース、障害情報などのサービスのお知らせ
最新の人気エントリーの配信
処理を実行中です
j次のブックマーク
k前のブックマーク
lあとで読む
eコメント一覧を開く
oページを開く
このページを見るには、ログインまたは登録してください
