第三周：浅层神经网络.pdf

吴恩达深度学习与神经网络课程笔记。第三周：浅层神经网络(Shallow neural networks)

第二周 - 神经网络基础.pdf

吴恩达深度学习与神经网络第二周课程笔记。神经网络的编程基础(Basics of Neural Network programming)

Sentiment Analysis by Capsules.pdf

在本文中，我们提出了RNN-Capsule，这是一种基于递归神经网络（RNN）的胶囊模型，用于情感分析。对于给定的问题，针对每个情感类别（例如“正”和“负”）构建一个胶囊。每个胶囊都有一个属性，一个状态和三个模块：表示模块，概率模块和重建模块。胶囊的属性是分配的情感类别。给定一个由典型RNN在隐藏矢量中编码的实例，表示模块将通过注意力机制构建胶囊表示。根据胶囊表示，概率模块计算胶囊的状态概率。如果胶囊的状态概率在给定实例的所有胶囊中最大，则该胶囊的状态为活动，否则为非活动。在两个基准数据集（即Movie Review和Stanford Sentiment Treebank）和一个专有数据集（即Hospital Feedback）上，我们显示RNN-Capsule在情感分类方面达到了最先进的性能。更重要的是，RNN-Capsule无需使用任何语言知识，就能够输出具有反映胶囊属性的情感倾向的单词。这些词很好地反映了数据集的领域特异性。

Bag of Tricks for Efficient Text Classification.pdf

本文探讨了一种简单有效的文本分类基准。 我们的实验表明，我们的快速文本分类器fastText在准确性方面经常与深度学习分类器相提并论，其训练和评估速度要快多个数量级。 我们可以使用标准的多核CPU在不到十分钟的时间内训练10亿多个单词上的fastText，并在一分钟之内将312K类中的50万个句子分类。

Character-levelConvolutionalNetworksforText Classification

本文提供了使用字符级卷积网络（ConvNets）进行文本分类的实证研究。 我们构建了几个大型数据集，以表明字符级卷积网络可以达到最新水平或竞争结果。 可以与传统模型（例如单词袋，n-gram及其TFIDF变体）以及深度学习模型（例如基于单词的ConvNets和递归神经网络）进行比较。