好吧，嘿，我建议我们得到的每个人
开始第一次烘烤已经开始了你
应该收到来自Piazza的电子邮件
我想我会完成我的帖子
如果有任何问题，真的很快
出现我觉得这很简单但是
让我们确保每个人都清楚
这是因为时间窗口紧张
你要到周三4点半才这样
这是测试数据的过程
在这个链接，所以下载并解压缩
然后移动整个目录
进入你的单词SIM数据目录
无论你有什么设置向前SIM卡回家
在家庭作业笔记本中它可能是
只是数据字sim，所以移动数据
所以你的系统可以找到它
第一步，注意这一举动
目录不仅仅是其内容，除非
你想要摆弄这个
读者代码然后打开你完成的
你应该有的作业1笔记本
已提交，但现在你
要加上它找到附近的细胞
从输入你的开始的底部
将评估代码烘焙到此单元格中
让我们称之为烘烤细胞和
然后你只是粘贴在这个blob中
代码在这里它只是两个新读者
可以说这些数据集是
我认为这是MTurk 287数据集
文学被认为是一种文学
相关数据集和sim Lex $ 9.99 
我认为这是一个相似性数据集
所以，如果你自己的模特喜欢一个或那个
其他问题
以及它在这里均匀匹配，因为
我们将从中得到宏观平均分
这两个测试数据集你可以看到
在这里，我收集了两位读者
这个元组叫做烘烤，这样就可以了
第一步现在让我们假设
你为她开发的自定义模型
知道第四部分让我们假设你
那称为数据帧自定义DF 
所有你需要做的就是烘烤
在最底部的细胞所以它
 print out输入此代码自定义
 DF是您正在评估的模型
至关重要的是你必须设置读者
烘烤的论据，以便你不要
使用此开发数据和
然后可选择如果你觉得你的模特
需要用特定的方式进行评估
你应该指定的距离函数
否则就会发生这种情况
默认为余弦，可能没问题
对你而言，这可能是重要的
为您的模型设计选择
只是运行那个烘烤细胞，这是
重要的权利，所以我们都在
尊重这里运行单元格的代码
而不是一次有不同的选择
自定义DF违反规则
不诚实的想法就是你有
完成开发，现在开始
你看到的全新数据如何
如果你回去，该系统是有效的
调整自定义DF并尝试
你一旦这样做就再一次
打破规则好吧我们没有
真正检查这个的方法，但那是
该领域的工作方式，没有进展
有点取决于人
对此负责，所以运行该代码
一次，然后帮我们看看我们是否
可以重现你的结果
进入牢房正下方就是这样
步骤5只需输入宏观平均值
你得到的分数，如果我们可以的话
重新运行您的系统与之比较
如果有一个大的，可能会联系你
差异或已完成的事情
您只需将笔记本上传到
画布，如果你的系统在
作业一，如果它取决于外部
代码或数据你知道的事情不会
在我们的课程环境然后放
它在一个zip存档中并上传为
好吧，然后你就完成了你必须做的事情
到星期三下午4:30我们要去
看看一堆系统和我们
希望下周一公布结果
肯定下周三我认为
我认为应该是直截了当的
应该真的有益于看到什么
你的系统发生任何问题
或担心我们正式拥有的权利
开始烘烤1现在我们要切换
本周的主题是
监督情绪分析我会
尝试用这个做一堆事情
单位，你可以从中看出来
概述在这里和幻灯片的方式
发布，所以随时下载它们
和以前一样，它们包括一堆
我认为将会是代码片段
在服用方面对你有用
材料并将其转换为代码
你可以用来做功课
你的提交提交和一个
我最后会留一些时间
今天介绍下一天的日子
烘烤和家庭作业让你
伙计们觉得你可以开始吧
我会好好处理这些问题
试图为这两个讲座做些什么
首先是介绍情绪
你以一种通用的方式因为我
认为它可以是一个很好的来源
项目有很多很棒的数据和
我想我会为你争辩
情绪挑战是一个深刻的NLU 
挑战一些人认为它是善良的
肤浅的，但我想与一些人
认真思考这个我们可以看到
这是一种微观世界
你想要给予NL的一切
你有一些一般的实用技巧
在代码库之外但是
我想到了如何设计
有效的情绪系统但是
实际上我们遇到了很多问题
深入了解我要去的细节
介绍斯坦福大学的情绪
 treebank wisk这是我们的核心
应该是这个单位的数据集
很快我想要的主要事情
和你在一起是确保你的感受
很舒服地使用此代码
堡垒在这里SST Pi是一个模块
包含在课程回购中
扮演VSM派的角色
以前的单位有很多
我要问你的功能
用于家庭作业和
烘烤，坦率地说，我的主张也是
它代表了很多好处
围绕设计实验的做法
特别是在你可能的情况下
想要尝试很多系统和很多
您知道的系统变体
很多类型的球场的标准杆
机器学习完成了我
我想我们不会完全解决这一切
今天但我希望至少能达到四个
星期三我们将讨论方法
然后我们会潜水
你可能会选择不同的模特选择
制作你可以做的功能
如果你正在处理那种，请写
线性分类器然后我们会看
在R和n分类器和树
结构化网络更多
现代的，也许更成功
情绪的方法，这是一个
好话题，因为情绪很好
但这对我们来说也是一种机会
得到一些共同点建立一个
围绕最佳实践的基础
监督NLP的问题
我试图并行做的事情
跟你这么问题
你有方法指标模型
所有这些东西应该放在桌子上
我们有点像使用情绪一样
有机会介绍所有这些好的
相关材料这个很小
错字也应该是
但只是回顾所以这是核心
代码然后有三个笔记本
第一个是对SST的概述
我要去看看那个
今天第二个更传统
监督情绪的方法或
我一般都是有监督的学习
称之为手工打造的功能因为
我认为这是他们的特点和
那么第三个哦，那也是类型
好吧，我很尴尬应该是SST 
第三个是神经方法
 RN结束，树木也很亲切
使用手套的中间模型
类型表示分布式
表示作为输入
传统的线性分类器是一个
一种很好的思想进展和
然后做作业二和烘烤两个
在那个笔记本中搭配核心
阅读是苏特的这篇论文
这也引入了SSD 
介绍了很多非常强大的树
针对问题的结构化网络
然后我会建议作为辅助
阅读所以如果你想学习
关于这种痛苦和感情的情绪
很棒，这是一种思想纲要
进行情绪分析然后是Goldberg 
 2015年那是真的不同
用于深入学习的好入门书
 NLP它在符号中统一
在概念中有很多模型
如果你需要进一步的话你会遇到的
审查更基本的监督
学习东西，然后检查网站我
提供了一些在线不同的链接
教程和类似的东西
一级回到线性分类器和
我喜欢的东西
在这里授予让我们从开始
概念上的挑战我说过
情绪有时是一个深刻的问题
人们认为它是一种
表面上我想声称不同
就像一个练习让我们问自己
问题如下
句子表达情感，是什么
情绪极性正面或
否则，如果有的话
加利福尼亚发生了地震
听起来像坏消息
也许除非你是一名地震学家
它安全地离开了州
负面情绪，你知道这是一个
在你意义上的那种边缘情况
可能取决于你如何表达
做注释的人的问题
他们可能会说是的，他们可能会说不
值得反思但是要反思
回答是，这是情绪
这是负面的，你需要带来一个
团队失败的很多其他假设
完成身体挑战
消极或积极的情绪是做什么的
你认为首先是一种情绪
相关陈述还是中立的我
猜你可以问那个小学
问题和次要问题是
它会带来正面还是负面效果
可能取决于团队
提及你的观点
是的，我觉得如果我们知道它是
另一支球队这显然是坏消息
也许我们会给出那种负面情绪
也许不是我们可以免除整体
再一次，这可能是一个重点
他们说这会很棒
这似乎显然涉及某种形式
评价情绪权利，但它是
可以说不是必然的情绪
该人或作者或
说话者也是正面还是负面的
感觉它是尊重的积极态度
对于其他一些经纪人，但你可以看到
从这些延续他们说
会是伟大的，他们是对的
我的看来显然是正面的
正常的定义，但他们说
会是伟大的，他们错了
似乎更像是消极的情绪吧
而且在那里有细微差别
我们需要的第一句话的情况
不仅知道形容词很棒
使用但它被用于
这个动词和动词的上下文
说不一定承诺
作者对他们的内容是对的
只是报告他们可能的其他事实
创造一定的偏见，但它只是
直到我们得到第二句话
我们知道如何解决这个问题
这里的情绪怎么样呢
党的帽子
党的肥猫正在啜饮他们
昂贵的进口葡萄酒消极或
这听起来很有效
对我不利，这听起来像是你
知道做一点点的角色
模仿这里的挑战就是那样
那里有很多积极的话
句子所以你的系统很容易
误解了这里的情绪
实际上是我的氛围
得到是非常消极所以再次喜欢
哦，透视是悄悄的
你觉得那太可怕了
真的取决于脸上的背景
听起来听起来很消极
像一个指控，但如果它是一对夫妇
朋友们互相戏弄
关于一个笑话或其他什么可以
是可爱的，这很难
也许是整个点的分类
这一点消极性是为了
创造积极的社会纽带
称其为负面的情况确实如此
想念点
这里有很多这样的东西
你真是个混蛋
否定但可能非常
在正确的种类中深情
上下文这是一个真正的片段
从2001年的电影评论中我确定
我们这里有一些2001粉丝，这是一个
经典电影，也很长
让我们面对它有时非常无聊很多
考虑杰作，但将在期间
无聊的慢动作或烦人的
它中有很多负面的东西
可能是想知道作者的
这句话喜欢这部电影
可能是积极的
审查不确定，但那种
好像是他们似乎
建立某种期望
他们会那样的
挫败权利再次非常复杂
透视事实，让我们也只是
通过考虑所有的问题来解决这个问题
我们作为人类的复杂方式
可以与产品和人有关
和事件等等思考
喜欢第一个的长期受苦的粉丝
专辑，但感觉像所有其他的
他们的负面影响是卖光了
会有很多复杂性
这不仅仅是我不喜欢它
这张新专辑还是苦乐参半
记忆或搞笑尴尬
好吧，似乎只是说
这些都是积极的或消极的
还有很多其他的
尺寸在这里，所以我的总结
那将是积极的消极是一个
维度很重要，但有
很多其他方面的情绪
分析，如果你更普遍地思考
关于有效计算的一种做法
感觉我猜这里的部分课程是
小心你如何定义问题
而这里的另一个教训就是你
可以解决这个问题
无尽的深刻
这是对此的另一个看法
实际上我用更多atsuta做的工作
不久前离开了一个教学团队
这实际上来自网络一个抱歉
从中过渡的人员数据集
一种心情，另一种他们会给予善意
社交网络上的情绪更新
平台又有两个有趣的
关于这一点的事情首先是
人们的心情数量
 in是惊人的高，也是
他们与之相关的方式
彼此和差异化是
也很迷人，你开始看到
真的很快那个标准的东西就好
积极的消极或者可能是强调的
或减弱那些只是两个
许多维度，然后另一部分
关于这一点，因为它是一个过渡
图是你可以看到那些人
很可能会在周围过渡
这种感情的某些子部分
空间并且不太可能转移
到某些其他部分，它的种类
给出了我们的轮廓图
情感生活，但它也告诉你
这个问题有多高维度
可能不幸的是我们会看
只是积极的消极情绪但是
有数据集的方式
思考会遇到的问题
接受更多这个细微差别的决赛
这件事是因为有一件事你
可能会，并实际上法案设置我们
这是第一天想到的
应用你的情绪分析系统
在现实世界中，我在向你倾诉
会有你会遇到很多
商界人士的想法
他们想要像这样的饼图
我想象它是什么样的
成为q1负面商业领袖
效果是30，而在q2，它可能是35 
这是一种兴趣
有权看到这个故障
您的评论或任何您的社交
媒体更新呈现负面趋势但是
事情是这样的
不太可能回答这个问题
他们甚至可能就是这样
正确地估计了他们真正的
想知道是为什么和一个令人兴奋的
要考虑的是你怎么做
采取可以做到这一点的NLU系统
基本的东西，提供更多的东西
为什么问题，因为毕竟为什么
答案在这些文本中是潜在的
你正在分析和你的能力或
您的系统只能标记的能力
它们只是正面或负面的
就像你最薄的薄片一样
实际上可能正在处理该文本
所以马上你可以考虑一下
分支越来越深，我
我们认为我们现在处于一种状态
在哪里我们可以认真思考
回答那些问题的原因
通过一般设置的方式的事情
所以我们必须非常狭窄
谈论参议院斯坦福大学
情绪树库
但还有很多其他的
 NLU内的任务或区域
与我认为的情绪相邻
非常有趣，我们不会解决
有时间为他们所有人，但我做了什么
这里列出了一大堆我
可以想到，然后为每一个我
列出了一篇我认为会成为的论文
显然每个人都有很好的起点
这些东西有很多文献
与之相关，所以我必须善待
主观和选择性，但我
试图做的是挑选论文
给你一个很好的
思想或景观的图片
更好的是有联系的公众
你可以在右边开始的数据
我真的试图偏爱
具有相关数据集的论文
和他们在一起并不是我说的
这些问题都是一样的
情绪我认为他们实际上非常
即使是可能的也不同
表面看起来像情绪一样
讨厌的言论，但人们倾向于
一起思考它们，我确实想到了
我们讨论的很多方法
将Pibb很好地转移到这些中
新域名，特别是如果你愿意的话
做深入思考的工作
关于这些问题是什么样的
我鼓励我们这样做的方式
对于这里的情绪
这不是一份详尽的清单
只是觉得这些真的令人兴奋
在问题或问题上工作的问题
关于一般设置的评论或
一般的情绪分析是的
找出为什么我认为你已经在
正确的轨道权利进行此审查
有四颗星与之相关
看看我们是否可以达到这个水平
哪些方面正在突出显示
也许其中有些是负面的
是一些给你的数据集
那种多方面的情绪，但它
可能是一种潜在的变量
你想尝试用一些诱导
不确定是的，这是一个很好的问题
一些一般的实用技巧我怎么样
认为这些很有意思他们没有
必须适用于SST，因为如果
它的独特之处在于它
一般来说，我要了解的好东西
首先声称一些选定的情绪
我们不会看到的数据集
这是我的一团糟
试图做的事实上也是有利的
像二者一样庞大的数据集
亚马逊和亚马逊发布的一个
麦考利是博士后的人
这些都是真正的巨大和提供
按产品和用户分类
一些其他有趣的元数据，以便
你可以用它们来做一些情绪
分析也带来了其他类型
上下文预测器你可以
肯定会像你一样大规模地工作
想建立自己的话
表达方式我们的方式
第一单元作为你的基础
项目这些数据集将支持
我认为这是非常令人兴奋的
剑杆织机也喜欢那么大
 Bingley Yu发布了大量数据集
关于情绪，他们的范围从公正
就像你知道的3000万评论一样
亚马逊，他以某种方式得到了
那种与你合作的东西
就像注释水平一样
相机的各个方面，所以你可以做很多
更多
与安德鲁·苔藓灰色的工作我发布了
这里设置的数据得到了很多
使用这可能是一种很好的
开发数据为你设置它很漂亮
很重要的是它有很多评论
没有标记用于开发无监督的
表示，我认为这是一个
非常容易的问题，因为他们也顺利
这一个是不同的所以我参与其中
这项工作也是如此
情感和社交网络在一起我
认为这真是令人兴奋
扩展，如果你已经完成了工作
有点像社交网络图或
知识图表真的很酷
考虑将它们与文本结合起来
情绪分析我们就是这样做的
在那里西方纸张，我们发布了
正在竞争的人的数据集
维基百科上的办公室和所有这些
讨论是公开的，其中很多
是评价，所以我们有这个
人与人之网，我们也拥有一切
我们带来了这些评价性文本
他们在一起然后最后是SST 
是我们要看你的
其他最伟大的命中数据集你
为情绪而努力这不是
我只是觉得这些都是详尽无遗的
很酷的基本上他们也很多
情绪词典和这些可以
它实际上对你有用的资源
这些可以用于相关的问题
到SST所以我想我会
在这里突出他们bingley使用意见
词典只是两个无言
积极消极的你会和你一起工作
它在家庭作业上因为它是建造的
进入NLT k，它真的很棒
感觉它做得很好
在漂亮的上下文中对单词进行分类
独立的方式，它很好
适应你的那种数据
可能在网上看到centi wordnet是一个
添加情绪信息的项目
到wordnet，所以如果你已经
在wordnet工作它是一种
不错的对手和NLT凯伊有罪恶
实际上我写的字网阅读器
 NP QA主观词汇是一种
经典，如果你关注那个链接
你会看到那个小组发布了一个
一堆与情绪有关的数据集
哈佛大学询问者只是一个
沿着行的巨大电子表格
然后有很多不同的有效和
衡量其他社会维度
列
几乎就像一个矢量空间
手工策划，并在它使用了很多
领域
卢克在韩语中的语言相似
虽然你不得不这样做，但字数很重要
支付卢克，但如果你不想
无论他们向你收取什么费用
可以使用哈佛询问者和
然后我就向其他汉密尔顿列出了一切
汉密尔顿是NLP的学生
小组在这里，他发布了这些
称为社交发送的数据集，即
非常酷，因为这不仅仅是一些
 lexico也是一些方法
发展上下文敏感的情绪
词汇，这样你就可以学习
与之相关的情感词
音乐和烹饪等等
我发现那里有很多细微差别
非常令人兴奋，然后终于这个
只是一个人类发达的大人类
注释它有点像
实验一个巨大的分数词汇
不同的单词沿着几个不同的
情感维度，我已经工作了
非常成功的最后一个
过去我想我不会花太多钱
时间就可以了，但我确实有这张幻灯片
这表明对于那些经典的词典
他们的关系是什么样的
是这样你可以搞清楚的
是否值得带来
在他们身上或你可以专心
只有一个，我已经做到了
不仅量化它们的重叠，而且
还有他们的地方数量
不同意情绪，我想我不会
深入研究这个，但它就是为你而存在的
一个资源，如果你决定你
要把这些东西带进你的
系统让我们做一些细节
事情也是我想要的第一个
开始只是标记化，因为
我认为人们倾向于默认
默认令牌化器z'和情绪是一个
你可以看到那个区域
是一个错误，所以这是我的论点
我已经从这个想象中开始了
推特NL Ewers不能等到6月9日
项目耶，有一个表情符号
那是乱码然后链接到
我们的班级网站，所以你的第一件事
可能想要做一个预处理
步骤是修复HTML实体
在那里，以便它看起来更好
这样你就可以恢复这个表情符号
但这一步在这里非常普遍
遇到这样的文字，你可能会
想检查是否值得
解决这些问题
所以，如果我这样做，那么我就有了
如果我只应用空格，请在此处输入文字
 tokenizer在某种意义上说它确实没问题
它保留了表情符号，因为它
是以一种合作的方式写的
在这附近有一个白色的空间
它没有完全识别用户名
因为它上面有一个冒号
它没有做到这些令牌表现良好
好在约会，它没有做好
在URL中，因为它离开了那个时期
所以这可能不是最好的
树库标记器就是这个
你可能会遇到其他的
到目前为止使用它的系统最多
普遍的令牌化器几乎任何
大规模的NLP项目有这一步
在引擎盖下，这是一个真的
有意义的选择，因为它来自
一个不同的时代，你可以看到它
我真的对这个文本做了一个哈希
它用了用户名并拆分了@ 
它将收缩分开
否定是可能的分开
对你有好处，它可能不会破坏
除了哈希标签，它可以再次
 Twitter和Twitter上的标签沙皇不同
因此情绪肯定不同
你可能想把它们保存为
它打破了所有这一切
也许那也没关系
摧毁了它转向那个表情符号
只是一个标点符号列表
然后它也破坏了URL，如果你
考虑使用你的文字
知道你要找的文字
 Twitter这可能很漂亮
危险的运动当然不是
允许你找到表情符号
或者在链接中四处旅行
人们提供或做过任何事
通过hashtag或username聚合
这可能不是最好的那种
排队等我们的一堆东西
可能想要从情绪意识到
它应该保留的tokenizer 
表情符号它应该保留一种
您也可以使用社交媒体标记
想要保留一些
底层标记对它有意义
人们已经包裹了一些的例子
例如，强标签中的单词
表明他们是粗体的
想和人做点什么
骂人的话因为那些肯定
你能想到的具有社会意义的
关于保留资本化的地方
这是有意义的，这是一回事
写得很好，还有另外一件事要做
在所有上限更高级的东西将是
比如正规化延长所以
当人们做为什么，然后只是
按住一键然后为什么
表明真正的情感参与
他们按下钥匙的时间越长
他们越了解你就知道了
那些事情将会非常紧张
稀疏的令牌，如果你可以正常化
他们喜欢三次重复然后你
可能会从他们那里获得有意义的信号
然后你可以进一步思考
关于捕获一些多线路
单词表达如何情绪如何
走出这个没有的世界
组件部分将会看起来
情绪负载，但英格兰有
肯定会带来很多
信息和NLT凯也有这个
我在这里写了一个tokenizer 
发布了它的核心内容
在这些标准很好，所以如果
你正在使用社交媒体数据
我当然会争论这个
树库一例如此
你可能希望这种情绪
意识到一个人会这样做会保留
用户名和哈希标签也是这个
它的日期可以很好
 URL和表情符号
正规化这个，我可以量化
一点点，所以我要报告
一些实验和我所做的
这些实验只需要一个整体
乱七八糟的开放表评论和适合
像softmax分类器一样简单分类
给他们不同数量的
培训数据我一直在测试
 6,000条评论，但这里有250条评论
训练文本到6,000灰线是
绿线标记化绿线
是树库
橙色是情感意识和
这张照片只是表明你得到了一个
持续提振这种情绪
选择情绪的问题
知道标记器，尤其如此
在你相对较少的地方
训练数据，这是有道理的
因为那些是那种情况
你想要那种强加
你自己对数据的偏见
假设它是一个很好的偏见，因为你的
系统没有多少
当你到达时，与之合作
 6000评论这些差异已经
最小化，只是为了完善它
我在这里测试稳健性是训练有素的
来自250的再次开放评论
到6,000，但我测试了域名，所以我
在IMDB评论中进行了测试，结果相同
表现的是那种画面
由于出了更多的混乱
域名测试，但我觉得很好
一直都值得去做
情绪意识到橙色的标记
线基本上严格控制了
其他人有意义的问题或评论
关于标记化的东西也许我已经
说服了你如何阻止人们
一直问我是否他们
应该如此阻止他们的数据
词干是启发式李崩溃
通过修剪他们的话语在一起
通常结束，这个想法就是这个
正在帮助你崩溃
形态方差我认为是
人们总是在想象它
会像思考和思考一样
他们在一起，思考，你会
在您的数据中减少稀疏性
因此更清晰有三个
全部执行此操作的常用算法
 ML TK搬运工干扰兰卡斯特
词干
和wordnet以及我在这里的论点
是波特和兰开斯特被摧毁了
对你来说有太多的情绪差异
我想是想要使用它们
适用于情绪之外的
另一方面，字净词干
没有这些问题，因为它是
更准确，但你又一次
可能会觉得你不值得
看看它正在做什么搬运工
我知道你在这里所做的事情
哈佛询问者的词汇，我
之前提到它有类别
积极和消极地写下它们
由于某种原因和什么，没有轻松
我在这里做的只是给你一个样本
根据不同的词语
他们的哈佛询问者情绪但是
如果你跑，那就变成了同样的道理
搬运工阻止所以防守和
防守成为防守
奢侈和奢侈成为
奢侈和矫揉造成
效果你可以看到这里发生了什么
真正的情感区别正在形成
被这个干扰器摧毁了，是的
并且可以容忍更高的节制和
脾气变得变得脾气暴躁
 Lancaster Samurai I的论据
实际上认为这更糟糕
再次正面和负面，当你
兰卡斯特阻止他们这就是重点
填充和污物都变成了
相同的象征或呼唤和无情的真相
并且因某种原因逃学而成
 TR你我觉得你做得真实
一般来说暴力对你的数据
坦率地说，通过运行这些结巴
对于情绪你显然会去
失去了很多重要的信息
 net stemmer这个词是不同的
 net stemmer这个词在做什么
你需要在一个部分给它一个字符串
然后它将使用它的非常
高精度词汇使它们崩溃
你可以想到的是什么
基本形式，所以它做了梦想的事情
对于那种喜欢的情绪
惊呼和惊呼所有人
成为同样的词，它没有做到这一点
用于名词形式，然后在另一侧
它确实崩溃了所有的比较和
形容词的最高级变体
进入他们的基础形式所以它正在这样做
如果它不是一个非常高的精度
 Alexa Kahn不会做任何事情
对你而言，我认为这样做很好
大规模地进行它是非常昂贵的
一般来说，它可能不值得
如果你有崩溃这些
足够的数据，然后是情绪
你可能后悔实际上有
结合在一起快乐而幸福
因为他们的不同
情绪，我就这样做了
同样的实验，所以这是
在域测试250到6000中打开表
审查情绪感知标记器
击败波特和兰开斯特
基本上这个想法就是你
把情绪标记器作为你的
一种默认的基线干预是
只会伤到你
也许这是令人信服的
域
测试哦，我不包括它
当你出去时，同样的画面
域测试有意义
阻止的捍卫者想要进入
部分语音标记哦是的
为什么你不喜欢使用这些
预处理方法与
字符级别的模型，你知道这是一个
我会说的一件好事
您将在稍后看到合并
当然是首先的举动
序列模型，因为它们处理所有
在所发生的事情的背景下这些事情
之前和之后可能之后
还分析了对角色的影响
水平已经在一些人做出了这些决定
案件不太重要，所以很多
这些新型号可以从中恢复
因为所有的错误的标记化方案
它们的上下文建模
整体而言，我说这是一个伟大的
发展因为无论你怎么想
关于我的情绪感知标记器甚至
它可能没有完美
仔细阅读该单位应该是什么
但我仍然会说它可能
值得你花时间开始这些
系统处于一个相当不错的地方
即使这些差异正在形成
最小化是的词干与...有关
拼写错误的stammers将会做
当你看着他们时他们会做什么
他们只是基本上非常规律
表达式映射所以他们不在乎
关于拼写错误，因为他们没有
实际上甚至关心单词身份
那些更新的方法拼写错误
如果你有这种相关观点
分布式表示，你有
它可能有一个常见的拼写错误
一个非常相似的表示
在这种情况下拼写正确
那些系统是他们的销售之一
要点是他们优雅地恢复
从那些东西，可能因此
减少喜欢运行咒语的需要
检查器作为预处理步骤
很多，而另一方面是和
我想你可以在这里看到
这样的情节就是这样
特别清楚我认为数据越多
你有这些选择的少
因为你的意志越来越重要
系统将能够发现或
从这个糟糕的起点恢复过来
这是你的数据稀疏的时候
这些选择真的很重要
语音标记可以帮助提高情绪
这是我在这里的第一次投球，因为那里
在英语中有很多案例
词汇里面有两个不同的词
情绪只有通过
他们的言论如此休息
形容词就像在逮捕我一样
猜测这是积极的，但作为一个休息
根据港口询问者的动词是
负面的罚款，这是一个明确的
因此，这是个好主意
积极的事情，但招致罚款
那是典型的名词版本
否则所以它可能会帮助你创建
词性标注的区别
您的数据并基本上考虑
每一个unigram都是它的单词形式和
这是第一部分
通过这里，这是一些证据
但即使是那种情绪差别
在这里超越部分演讲我有一个
来自centi wordnet的一堆案例
一个在同一个单词中有相同的部分
言语有不同的情绪
意思是你的意思是在你身上
知道你对人不好，但是
意思是苹果派是一个很好的苹果派或
一些可能很聪明的东西可能是坏的
这意味着它会伤害但是有人
聪明，这是一件好事
严重的可以说明显不同
取决于上下文的东西
我生活中经历过很多事情
一个严重的问题可能是一个好的或
一个坏的，取决于你的观点
等等所以我没有答案
除了说甚至添加为
你可以想到很多预处理
不会完全消除歧义
话
以一种与情绪一致的方式
有道理我不知道那是一种
这里虽然是模棱两可的东西
部分内容是词性标注
值得的是一个预处理步骤
情绪对我而言并不那么清楚
这是一种经验问题
真的很强大，但这又是
一种启发式的东西和一种直觉
我们将回归到
 SST，这只是简单的否定
标记所以语言的东西是
你知道所有这些方式
表达否定和他们显然
那种直观的翻转是什么的
情绪是如此我不喜欢它
可能是消极的，而我很喜欢它
是积极的我从来没有享受它负面没有
一个人喜欢它可能是负面的
这里隐含的否定我还没有
享受就像它可能一样
我不喜欢它，我不认为我
我会喜欢它的情况
可能是负面情绪和
否定词真的很远
相关的东西，你想要一个享受
否定这是早期享受的词
在情绪分析文献中
有几个人提出了一个简单的问题
基本上是启发式方法
如果你遇到一个人，你会一起旅行
根据某些人的说法是消极的
你开发的词典
会包括喜欢和不喜欢
没有人等你知道
他们有一个完整的词汇然后你
刚开始标记所有的标记
带有下划线否定的负面词
直到你可能像逗号一样打
看到了一段时间或一段时间
标点符号告诉你
启发式aliy再次，你达到了
否定范围的结束如此
当你这样做时你正在做什么
附加下划线是
基本上创建一个单独的令牌
你在说这个词的时候
在否定之下是一个不同的词
当它处于积极的背景下时
将帮助您的系统区分享受
一个鸡蛋从享受积极，并给你的
系统大概是一个很大的提升，所以这是
一个非常简单的预处理
这基本上只是给你的
统计模型有机会学习
否定很重要，所以这里有点
什么事情没有人喜欢它会标记
一切都知道后，我不知道
我想我会喜欢它，但我可能会喜欢
你已经将算法设置为停止
一个逗号然后它将停止那个否定
在直觉的结尾标记
那边有一个条款边界
可能很好，这里有一点点
证据证明这确实有用
得到一个完整的比较灰色只是
空白绿色是树库橙色
普通的情绪感知标记器
而红色是情感意识识别标记器
用neg标记给你一个
所有这些都在不断提升
 250个文本的培训数据水平
到6,000甚至超出域名
这是一种有用的偏见
它真的给你的系统一个机会
看到否定是强大的
有意义的情绪
我刚刚使用了一个简单的softmax分类器
我在这里注意到它只是一个
非常好的标准线性模型和
这真的只是一袋
单词分类器它只是我的一个
做了这个袋子的标记
在这里有一种注释
聪明的方式很棒
那是现在通用的东西
我们要深入了解斯坦福大学
情绪树银行，这是完美的
时间因为这会给我们一个
有机会谈论代码本身
根据SS TDI然后你们可以离开
这里实际上准备做功课
如果你想和想一想
烘烤所以SSD项目
相关论文在2013年都是如此真实
我参与了这个项目
那时非常令人兴奋
对我来说这是最大的众包
我曾经参与过的努力
同
我记得有点紧张
它甚至会起作用，因为我们有人
注释数十万
回想起来的短语看起来很像
现在斯坦福已经生产了
带注释的数据集非常多
大于此但仍然是一个
令人印象深刻的完整代码和数据
释放信用去理查德
苏特我想如果你愿意，你仍然可以
你访问该链接，你可以玩
使用该系统它确实很棒
你甚至可以提供的可视化
给它新的例子然后它
学习，当然，你可以
以很多方式使用代码
关于您的数据开放的模型
你的方法和你的结果是一个
它所具有的句子级语料库
十一万句话和那些
句子来自经典
由...发布的情绪数据集
庞和李是真的
进行情绪分析的先驱者
我实际上是去年的这篇论文
 Knakal赢得了时间奖励I的考验
认为那是他们的论点
确实让我们朝这个方向走去
认真思考中国的情绪
它本身也是
作为NLU模型的一个伟大的测试床所以它
从那些烂番茄开始
被标记的句子
他们的作者自然而然地
因为它是一个评论数据集但是什么
 SST项目确实是众包的
不仅标记那些句子而且标记
所有树木中的每一个短语
这些句子中包含的内容
实际上它是一个五向标签的东西
评论者获得了一个滑块和
然后标签被提取出来
有理由认为，和
大人们就此选了点
滑块条有点一致
使用已提供的标签
所以结果是一个树库
在这里看起来像这样的句子NLU 
是启发这些是真实的
从模型预测所有新的测试
我对这个案子的印象非常深刻
这标志着NLU UNK，但它仍然
这是正确的，所以你有标签
所有这些子组成部分都是如此
中性的NLU是中性的启发性的
积极的，有启发性的
正在并积极地投射项目
从本质上说这是一棵树
我过去常常激励的例子
他们说这会很棒
非常酷，它知道很棒
在这里积极向下，它知道
这些东西都没有贡献
情绪和情绪信号
相当强烈，直到顶部
但随后它以某种方式减少了
整体句子是中立的
我想要的预测
因为我觉得这样
单独的句子并没有告诉我们
作者的偏见只是报道
别人的观点所以你知道
谁知道这里发生了什么
导致这种情况出现，但确实如此
真的很酷，他们说会很棒
他们错了，就是这样
消极的，它就是那样的
否定因为它必须知道
从右边更多地投射东西
强烈而且他们错了
在这里有一个投射到
虽然这仍然有点顶
暧昧中立或积极的
并没有完全钉他们说它会
他们是对的，我认为是正确的
一定不能有
自己有足够的情绪信号但是
至少它确实发现这是
尽管如此，这里只是中立
有积极的积极性
无论如何，双方都表达不好
系统给我留下了深刻的印象，但我
更多地介绍了这些例子
你这个特殊的潜在力量
这是一种数据资源
史无前例，你会有这个
许多标签和这种程度的
监督个别的例子
这是我的直觉，也是我的直觉
一个人就是说你说对了
这会很糟糕而且他们错了
应该是积极的，它似乎非常
有趣的系统压力测试
看它是否正确，因为
那么它不仅需要知道如何
平衡情绪信号但善良
他们如何走到一起有一个
你可以做的几个不同的问题
在SST上定义有一个五向
基本上只使用的问题
原始标签他们非常消极
消极的中立正面和非常
积极的，这是一个细分
火车和开发有一个测试集
我会回去，但我没有表现出来
因为我有点想要统计数据
暂时搁置我们的观点，但它确实如此
与dev相当，我认为这是
很好，但你可能有两件事
请记住这个版本的
如果你说的话，首先是直观的问题
考虑情绪强度
分离极性然后分离
当然大于3但是0 
大于1我认为它更多
自然而然地将此视为一种
两个没有中性的鳞片
也许就是另外两个
不应该打扰你这么多
打扰你是因为你符合标准
这种标记数据的分类器
设置哪个标签上有排名
然后你的分类器将是
关于如何做得保守
你实际上是因为它会
将0和1之间的错误视为正义
与0和0之间的原子错误一样严重
 4，你可能会想到
如何获得部分功劳
接近真正的答案那里
是让你这样做的模特
即使在分类上下文中也是如此
涉及序数回归或序数
分类，但你的模型是
可能不会这样做，所以它只是
值得记住这个问题
这有点奇怪
两个版本的问题
对我来说更有意义，首先是这个
我们打算做的三元一个
很多用在这里你只是组
 0和1一起为负，3和4为
积极的，中间的2，所以你
失去了一些情感区别，但在
至少关于标签的方式
给予它似乎很合理
我和这个很好，因为你保持
您拥有的所有数据
还有另一个版本的问题
本文对此进行了大量讨论
与5路一起，这是一个
二元问题，我们只是辍学
中性类别然后是集群
完美地结合0＆1＆3＆4 
值得尊敬的唯一耻辱是
首先，世界上有很多
中立的情绪不是一切的
情绪拉登和另一个是我们
我不得不放弃我们的大量数据
这些统计数据仅供参考
根级别标签，所以他们忽略了
所有标签都在里面
树这是所有节点任务所在的地方
你实际上试图预测所有的
所有子组成部分的标签
获得更多的培训实例
当然因为这些树中的一些是
真的很大，但你可以定义相同的3 
以某种方式给出一个问题
平等地适用于所有不同类型的
模特我们大多不会去看
这个问题我只关注
这只是其中之一
 SST更有趣的方面
它有所有这些监督，所以我这样做
鼓励你做项目和事情
想想你如何建模
这个数据的丰满度是一个好主意
有两个标签，一个生命普遍性
或者一个
你想要一个价哦哦
是的我的意思是我的意思是SST 
没有那种多路
标签，但我的语言直觉我的
对心理学的那种理解
情感状态的影响是
他们有很多方面，你可以
在其中一个词典中看到那个
由维克托·库珀曼发布了
我列出的最后一个有几个
他们采取的不同维度是
一种情感的真正底物
表达是的，我希望我们能做到
在这里，他们都被垮掉了
所有类似的单一规模
读是啊我想是真的
它非常零，四个会加分
强调，其余的将是负的
然后强调作为二元问题
你也有正极性
消极或中立哦是的不，我接受它
回来那是个好主意
值得思考的是耶和华
当然是一种观察方式
你的模型正在学习什么
有趣的是强加这种区别
其他问题或意见
好吧，让我们深入了解实际情况
代码这是完美的，因为我可以提示
你要开始高效地工作了
 SS TDI你必须习惯我的
接口一点点，但我的主张是
已经做到了你能做到的
工作真的很有成效，因为我
带来了我创造了一点
适合你的框架
在奔跑方面非常敏捷
实验首先你要做的事情
所有这些读者都让你受过训练
读者和开发者读者然后每一个
他们有这个论点类放克和
如果你，基本上有三种选择
离开那个论点会给你
如果你设置课程，那就是五路问题
放弃三元类问题吧
积极的中性消极也是
二进制类funk会给你一个
二元问题所以这些都很好
预先包装的不同方式
对数据的不同看法
笔记本探索所有这些不同
问题和家庭作业和
烘烤我们要做三元的
因为我认为这很有意义
这很容易，这只是一种善意
设置你可以粘贴和
如果你想要SST就是这样的话
图书馆的树木已经存在
然后你和你的数据分发
这些是读者，也许是唯一的
另外要提的是每个
读者你可以想到屈服于树
得分对所以我会告诉你什么
树木就像在这一秒钟和
分数只是你想要的字符串
期待标签的运作方式我
这些树上有一个单独的幻灯片
对象所以它们是NLT kay树对象
在这里你可以看到我创建了一个
字符串这只是一个例子
怎么做，如果你的笔记本是
设置得当它会很好
将它们显示为漂亮的东西
直观的树木所以这是NLU 
这里的底部令人惊叹
子树条目点子树是一个
将遍历所有的方法
子树为你
只是一个非常有用的方法来了解
关于，然后在这里这是基本的
树组件所以树点标签会
为您提供根级别标签
树然后树零和树一
会给你左右
那棵树的孩子分别
假设它们存在，那么你可以看到它
这棵树在这里是左边的树
左子节点就是那个子树
根植于两个，NLU和右边
子树是动词短语令人惊叹
然后显然这是递归的
树一零会把你带到两个
是等等还有其他一些
你可以用这些树做的东西，但在
我编写功能函数的经验
这些是重要的组成部分
如果你想写一个，我需要
正在爬行的功能
他们这是一种坚果和螺栓
好的，我们将建立这个框架
这里的第三步是第一步
特征函数的概念，这是
这是一个非常简单的例子
一种词袋功能
你写的所有功能全部
应该采取功能功能
树作为输入，所以如果你回想
给读者写的读者是
它会产生树分数
对这些对的左值进行操作
第一个，它需要返回一个
字典里面的值
字典是计数或布尔z'和
他们也可以真正受到重视
像整数计算整数浮点数和
布尔z'，那是那种
合同权利你可以写任何功能
功能将是任何功能
个别树只要它返回一个
字典和我在这里做的是做
树点离开，得到所有的
词汇项目，所以我不是真的在做
然后使用树结构
这里的计数器只是将该列表转换为
字典所在的字典
算得这么快就好了
方式做一袋话的功能
功能，我告诉你我创造了
那棵树，我知道你很惊讶
这里
那棵树的yuuna克Phi产生了这个
这是有道理的字典
你想要做很多事情的东西
使用我假设你的一部分
烘烤和你的家庭作业的一部分
写有趣的功能
他们所能做的就是做任何事情
你想要在这里，只要它是
树到字典有关的任何问题
那没关系
下一步模型包装所以这个
月光可能看起来有点多余
起初但请跟我一起，你想要
编写以其输入为目的的函数
 XY对，其中X是您的特征矩阵
和Y是你的标签矢量和什么
那些功能应该做的是适合模型
关于那些数据，它有点受监督
训练数据，然后返回适合
模特，这就是我所做的一切
完成是来自心理学的逻辑回归
这是我说的一个很好的基线模型
想要像拦截那样的拦截功能
偏向特征我指定了求解器和
多级等于自动就这样了
似乎不会发出警告
养成现在发出警告的习惯
关于那些改变或什么和
那么我对你的模型至关重要
记住在这里适合模型
然后它又回来了
可能看起来只是一种乏味的方式
在模型上调用fit方法但是as 
你会看到包装好的东西
这些东西你可以做很多其他事情
东西作为这个过程的一部分没有
改变你的界面和更多
您可能想要的复杂模型
做一堆复杂的事情
在你适合之前或作为适合的一部分
最后，这将所有这些结合在一起
 SST点实验就像瑞士军队
用于运行实验的刀我已经给出了
它在这里有所有默认值
这样你就可以快速浏览一下
你可以做的所有不同的事情
但重点是你只需指出它
你的SST给它一个功能
和一个模型包装，这是真的
如果你给SST所需要的一切
然后尝试那三件事
将培训模型并进行评估
与数据分开的数据
培训数据，它会给你一个
像这样的报告不仅会给予
你有很多关于你的信息
实验在这里编码但它也会
打印出分类报告
这是正确的，所以你必须写
很少的代码，以测试你的
功能和/或您的模型
包装然后如果你想试试
你可以进入的不同条件
在这里你可以指定你的SS 
读者是SS T dev读者并评估
您可以更改的开发数据
训练大小，如果你没有指定
 SS阅读器，如果它是随机的
拆分你可以改变类功能
你甚至可以改变指标
你可以关闭打印，我会
稍微回到这个矢量化的东西
以后但如果你想要的那就是那种
做更细致入微的实验的事情
请记住，你可以
非常快速地测试您的功能
在你的模型包装器和另一个
我想说的是你会看到这个
整个单位和整个单位
这个课程中很多单位的事实
我们看到这些分类报告
将主要关心宏观
平均f1得分的原因是
我们有轻微的阶级不平衡
课程和其他问题的课程和
余额可能非常大而且
宏观平均背后的想法就是我们
现在平等地关心所有这些课程
我认为这在NLU和
有时最小的班级是
我们关心的最微观的
平均值会有利于真正的大
类的准确性和加权
平均但宏观是一种好处
清楚了解你的表现
尽管如此，所有不同的课程
它们的大小让你记住这一点
看看这些报告你会有点什么
想要一个关于这个价值的爬坡
 SST实验在这里返回了这个东西
 unigram softmax实验和那
包含很多关于你的信息
我再次尝试我认为这是其中的一部分
最佳实践，例如当你运行时
评估你保留尽可能多的信息
你可能可以做你做的事情
我生命中的每一次都是
我决定留下一些东西
后悔，因为我以后想要它
然后我不得不重新训练整个
系统什么的
所以我试图做的是打包
把你的所有信息汇集在一起
需要研究你的模型
性能并在新数据上进行测试
你可以看到你在这里列出的
得到了模型的特征功能
它受过训练的数据和
评估数据和相关的数据
你做了随机拆分，因为这样做
是唯一可以恢复的方式
究竟是你使用的数据
预测指标和分数
然后每一个训练和评估
数据集具有特征矩阵
标记我将返回的矢量化器
以及功能之前的原始示例
是一个ssin我认为这是真的
对于错误分析很重要
因为如果你试图做错误分析
在x和y你只是盯着这些
高维特征表示
我很难知道你发生了什么事
人类不像机器学习模型
我更愿意重新绘制示例等等
它们也适合你，所以这个
有点把这一切带到一起
在一张幻灯片上完成一个完整的实验
在物流上测试袋的单词
回归模型权利所以设置SST回家
 phi返回计数的词典
留下这是一个简单的合身模型
事情，然后实验SST 
实验刚刚运行，我没有显示
它会打印出那份报告
为您提供所有实验信息
这是有道理的，就像让我们一样
在没有大量复制的情况下进行实验
粘贴没有很多像只是
重复的细胞基本上做了
同样的事情，我希望在笔记本电脑中
你可以用这种方式
重建或你知道进行
系列实验并研究它们
没有一个巨大的混乱，这是
它的核心让我再说一件事了
那么实际上我们有时间做一些
更多，但我想要的更多一瞥
给你一瞥是什么
再次发生在引擎盖下
如果你移出这个框架
从这方面来说，这是一件好事
引擎盖下的最佳实践
将数据与您的数据结合使用时
特征函数我用过
 scikit-learn z'特征提取词典
矢量化器，我想走你
通过我为什么这样做，因为我
认为这是一个非常方便的
做各种各样的界面
问题，我已经通过这种方式完成了
插图所以想象我的火车
这里的功能是两个字典a 
 BBC和他们每个都有他们的计数
与他们相关联就像你一样
知道你是否写了一个特征函数
将树映射到字典是什么的
内部代码正在应用
这个功能对你所有的功能
示例并准确创建列表
像这样发生在引擎盖下
但机器学习模型需要什么
或至少所有侧面的东西是什么
他们需要的是一个他们不操作的矩阵
他们在字典上操作矩阵
看起来就像矢量空间
你正确建造的模型
严格的数值数据在哪里
列是有意义的单位字典
矢量化器映射这些列表
字典进入这样的矩阵所以
我打电话是的，我在这里设置了矢量化器
适合变换是成语和
把它放在词典X上
在这里训练这是我说的矩阵
在数据框内，你可以
看看发生了什么，但引擎盖下
它真正做的是运作
 an和P给你一个NP阵列，但是
熊猫数据框很好，因为你可以
看到这些词典中的键
已经映射到列然后
每个例子0和1我们有计数
这个例子中的那些特征
这真的很好，因为例如a 
在通灵出现之前我的失败模式
一直是我会从手边走
字典到MP阵列，我会
迷茫或有一个关于如何的错误
列与我的直观对齐
功能然后一切都会得到
搞砸了，现在我只相信鸡巴
矢量化器，所以我作为一个人
非常高兴有这些
字典
我认为这是一个直观的界面，但是
我的机器学习模型想要这个和
迪克矢量图
这座桥是第三件事
关于这些鸡巴矢量化z'的重要性
他们解决的第三个问题就是我
我有一些测试例子
第一个是a，它得到了一个计数
两个abd的计数，但通知
 D是我从未见过的功能
我在这里打电话给我的矢量器训练
我只是说改变那些测试
功能然后我得到X测试和通知
它完全符合
原始空间ABC和D已经
退出它不是我未来的一部分
我的训练数据的表示
模型将无法消耗D等
通过调用变换我只是
优雅地解决了D的问题
会强加的，而且它正在做
对齐列等等
它是的，它会改变它
刚刚做了一个新的专栏是的
将有四个，我会失去
这与我原来的对应
问题是的，是的，这是一个伟大的
对比点这是非常重要的
因为这是你的方式
迅速从火车模型和a 
你知道的矢量化器处理新数据
您对模型的期望方式
并再次获得所需的结果
这是我的代码所在的区域
包含错误之前和现在它只是
不是因为这个鸡巴矢量化器
但是知道它真的很好
你也知道这件事对我们有好处
这是发生了什么事
这是我们采取你的行动时发生的事情
功能函数并将其转换为
机器学习模型的东西
可以消耗优秀这已经是一个
很多材料是下一阶段的
我会告诉你一些方法
超参数探索和
分类器比较，但我建议
保存下次因为这有
我认为是一堆材料
回顾这一部分，你现在很漂亮
好好开始做作业
如果你愿意的话，让我来回顾一下
很快，然后我们将它包装起来
与第一作业相似的情节和
烤过
除了现在专注于中心
斯坦福情绪树库所以我所做的
在这个笔记本中完成了你的设置
主要给你几个基线
在那里，我试图记录
你和我会做更多的接口
下一堂课，但我已经告诉你如何
适合softmax基线和RNN 
分类器并做一些错误分析
这可能会帮助你引导到
更好的系统，然后做作业
问题，只有三个
前两个涉及更多的编程
而不是第一个，所以他们是他们
你知道他们的价值更高了
然后你有这个熟悉的模式
你开发原始系统和
你的原始系统将是一个
你进入第二次烘烤
这是烘烤的整体情节
本身我们将专注于
正如我所说的基本任务
你只是想尝试做
正如你可能在那个任务上所做的那样
这种情况我不必强加
在我不想要之前你知道许多规则
你下载外部向量等等
在这种情况下，我觉得我们
可以说你做任何想法都可以
在发展良好方面最好
如果你愿意，可以解决这个问题
从网上下载矢量
精细
如果你想下载其他人的
这个代码也很好
我补充说，它需要是一个
您输入的原始系统
不能只下载某人的代码和
重新训练并输入你必须的
做一些有意义的补充或
修改该代码但超出
除了事实，任何事情都会发生
当然，现在我们再来了
真的是第一个荣誉系统
我可以扣留测试数据但是
在这种情况下，测试数据是正确的
您拥有的测试分布
在您的数据文件夹中已经是我们的
完全在荣誉系统上就像
如果我们要发布，我们就会这样做
我们在开发设备上的所有开发和
只使用测试集
实际提交时的最后阶段
你的系统没关系，我认为就是这样
你知道softmax基线就是那个
我刚给你看了，我跑了
实验，在这里，我正在使用开发
读者
为了发展所以这就是那种
设置你将默认为下一个
时间我会告诉你有一点点
你需要做的深度调整
在这个框架中学习模型但是
它真的很容易，所以我会告诉你
你下次给你一些工具
错误分析然后最后
第一个就像是作业问题
写一个原始的特征函数
第二个是过渡到
然后是深度学习的世界
第三个是你的原始系统
这很有道理，有点早
但我建议我们下一步到此为止
时间我要完成这个讲座
然后我希望留出时间给你
做一些自己的黑客攻击，这样我就可以了
确定你星期三离开这里
感觉你可以完成
作业这里的时间窗口更紧凑
所以这非常重要
