语言、AI、情感

语言的本质

抽象来看,语言大致可分为描述客观现象和表达主观感受两个方面。
客观的语言广泛存在于世间,从人类到动物,到植物、化学元素都有自己的『语言』,它们通过特定的语言向外传达一种『信息』,而这种信息被人类加工后成为『知识』。
而人类或其他高等动物之所以特殊是因为他们能表达自己的感受,他们有喜怒哀乐,有七情六欲,他们对万事万物有自己的认识。也许可以称之为『情感』,或许是『意识』。
由于语言有多种,个人主观方面又大不相同,所以当人与人沟通时经常会信息不对称,导致沟通障碍。而同样的东西、同一件事物,不同的人看到的也会不尽相同。
所以,有时候与其说是语言的魅力,不如说是人类主观的魅力、意识的魅力。譬如『如果你认识以前的我,也许你就会原谅现在的我』,大多数人可能会觉得这句话和有意境,觉得写的很好。为什么?也许从信息的角度来看,它高度抽象描述了大量的客观现象,但我想更多地是因为它勾起了你心中的一点点涟漪,或者引起了你一点点的共鸣。
再比如 “他死了,她也死了” 和 “他死了,她伤心而死”。从信息论(效率)角度而言第一句更容易记住,因为它短,但人们更能记住第二句,因为它有 “情感”。所以,我们其实关注的并不是信息本身,而是信息所附加的、能引起我们心灵触动的、能带给我们思考的东西。
所以,语言我更倾向于把它当做人类表达自身情感的一种方式。至于记录客观世界,其实完全可以通过其他方式,比如数学公式、物理公式…… 而语言的本质或者核心其实是『情感』,是『意识』的产物。

More

正则表达式笔记

操作

compile

  • compile 常用的表达式更高效:使用编译的表达式能避免高速缓存查找开销,将编译工作转移到应用程序启动时,而不是程序响应用户操作

  • 在字符串前加个 r 反斜杠就不会被任何特殊方式处理

  • re.findall(rf'{t}', s): f 表示 t 可以使用变量
  • re.compile(pattern, re.IGNORECASE): IGNORECASE 忽略大小写
  • re.compile(pattern, re.MULTILINE): 是否按行匹配,带参数按行,不带参数整个字符串为整体(不考虑换行符)
  • re.compile(pattern, re.DOTALL): 默认不匹配换行符,带参数匹配换行符
  • re.compile(pattern, re.Unicode | re.VERBOSE): 让 pattern 看起来更易读。多个标志可以通过按位 OR-ing 它们来指定。如 re.I | re.M 被设置成 I 和 M 标志
  • 嵌入标志(编译表达式无法添加标志时,可以在表达式字符串本身内嵌入标志)
    • 打开不区分大小写匹配项: (?i) 添加到 pattern 的最前面就好
    • i: IGNORECASE; m: MULTILINE; s: DOTALL; u: UNICODE; x: VERBOSE

More

随笔:人生,当有所为有所不为

是夜,阴沉天空,淅淅沥沥的小雨,落到了地上,没入了尘埃。
空旷的房间,通明的白织灯下,桌上一罐哈啤,一罐纯净水,耳边响着最爱的史诗乐。
回想近日之事,一时竟感慨万千,内心色彩斑斓。

人的一生会遇到许许多多的事,会交到许许多多的朋友,你永远无法预测明天会发生什么,下一秒将会认识谁。但是,总有些事、总有些人,会让你的人生泛起涟漪、波澜。
有些事,能让你认清一个人;有些人,能让你知道一件事。

我们生活在这个世界,物欲横流、欲壑难填。
每个人都想任性地活,想要想尽一切办法满足自己不断膨胀的私欲。
我们以为这是自由,这是活出自己,这是人生的精彩。
但却忘记了什么是责任,什么是担当,什么是本分。
忘记了克己修身,忘记了每日三省,忘记了拷问良心。也许从未有过。

任性过后,还剩下什么?还能剩下什么?
人生在世,当有所为有所不为,大丈夫立于天地间更应如此。
忍让不是天生懦弱,关心不是精力过剩,
然而我们总是看不到这些或者习惯了如此,一次次用所谓的个性去刺向那呵护着自己的外壳。
人性本如此。

感受周边人群,与日俱增的寂寞和空虚,让人不得不想方设法去寻找释放的窗口。
同样寂寞空虚的人遇到了一起,生产出更多的寂寞空虚,以及一些私欲,泛滥成灾。
然后,终日活在这样的世界,通过感官上的各种刺激才知道自己还,活着。

谈使命,说使命太虚;谈梦想,说梦想太空。
浑浑噩噩度过一天一天,一年一年,接着是一生。

做人,该当知轻重,明对错。
然后,去做一个有品性、有道德的人。
这样的你也会是一个三观正、人品赞的人。
扪心自问,你是吗?

后记:发现自己慢慢喜欢上在这种环境下用键盘缓缓抒发自己内心的情感,就好像一篇娓娓道来的故事,好像一副徐徐展开的画卷,好像一首缓缓奏起的乐章。随着文章终了,内心的情感渐渐平复,由内而外不再充满戾气,不再焦躁不安,不再五味陈杂。

自然语言处理(NLP)知识地图

目录

什么是 NLP

计算机领域中自然语言处理(Natural Language Processing: NLP)的目的,就是让计算机能够理解和生成人类语言。

  • 自然语言处理是一门交叉学科,包括计算机科学,人工智能和语言学
  • 目标:让计算机去处理或“理解”自然语言, 完成一些有用的任务例如问答系统,机器翻译
  • 完全理解或者表示语言的意义(甚至去定义它)都是一个虚幻的目标
  • 完美的理解语言是一个“AI-complete”的问题

NLP 有什么用?

  • 拼写检查
  • 同义词查找&替换
  • 文本分类与情感分析
    • 例如对教科书的文本进行分级,对长文本进行正负情绪判断
    • 市场营销或者金融交易领域的情感分析
  • 信息检索与问答系统
  • 关键词、信息提取
    • 从网页中提取有用的信息例如产品价格,日期,地址,人名或公司名等
  • 自动文摘
  • 自动写作
  • 机器翻译
  • 语音翻译
  • 语音识别
  • 人机对话
  • ……

NLP 要学什么

  • 语言学
    • 语言学是研究所有人类语文发展有关的一门学术科目(通常只有根据语言,非文字)。
    • 语言学研究句法和词语等语言的描述,也研究语言的发展史。
  • 语音学
    • 发音语音学
    • 声学语音学
    • 听觉语音学
  • 概率论
    • 贝叶斯
    • 马尔科夫
  • 信息论
    • 香农、熵
  • 机器学习
  • 形式语言与自动机
    • 形式语言包括:短语结构语言、上下文有关语言、上下文无关语言、正则语言等
    • 自动机包括:图灵机、有穷自动机、下推自动机、线性有界自动机
  • 语言知识库
  • 语言模型
    • n 元语法
    • 数据平滑
  • 自动分词、命名实体识别、词性标注
    • 自动分词就是让计算机自动区分出汉字组成的词语
    • 命名实体识别就是分词之后能够根据各种短语形式判断出哪个词表示的是一个物体或组织或人名或……
    • 词性标注就是在给定句子中判定每个词的语法范畴,识别出“名动形、数量代、副介连助叹拟声”
  • 句法分析
    • 确定句子的句法结构或句子中词汇之间的依存关系
    • 句法结构分析
    • 依存关系分析:词与词之间的依存关系
  • 语义分析
    • 词义消歧
    • 语义角色标注
  • 篇章分析
    • 理解篇章
    • 分析篇章结构

深度学习与 NLP

  • 神经网络语言模型
  • 卷积神经网络 CNN
  • 词向量
    • localist representation 与 distributed representation
    • word embedding
  • word2vec
    • 基于霍夫曼树的 Hierarchical Softmax 技术
    • 基于 Negative Sampling 的模型
  • 递归神经网络 RNN
    • LSTM

扩展阅读

参考资料

Python 编码笔记整理

目录

Python 中文编码

Python 中文编码是新人常见的一个问题,其实这是一个涉及到 Python 字符串、编码、IO 读写等方面的问题。

More

Pandas 入门

目录

Pandas 建造在 NumPy 之上,它使得以 NumPy 为中心的应用很容易使用。

由于 Hexo 对 Pandas 输出的表格支持不好,详细内容可点击:http://nbviewer.jupyter.org/github/hscspring/DataScience/blob/master/DataClearing/Pandas.ipynb

参考网站

Ubuntu16.04 安装 VirtualBox & Vagrant 管理 VirtualBox 各种问题总结

Ubuntu 下安装 VirtualBox

注意:

  • 务必要仔细查看用户手册上对系统和必要环境的依赖。
  • 如果 kernel header 不一致,需要更新 kernel:
    • sudo apt-get install linux-headers-generic 或者
    • sudo apt-get install linux-headers-$(uname -r)
      uname -r 等于你的版本内核,比如我的:4.4.0-21-generic
  • 如果不能重装VBox,需要修改BIOS设置:
    • Security 中的 Secure Boot 设置为“Disabled” (一般设置这个就可以了吧)
    • Startup中的 UEFI/Legacy Boot 选 Both
    • Priority 选 Legacy First,CSM Support 选 Yes
      包括类似 Surface Pro,都可以这样操作。
      另外,由于现在的主板很多都带有 UEFI Secure Boot 功能,可能导致使用USB设备启动不了系统。用此方法也可以搞定。
      参考至: 电脑无法从USB启动可能是 UEFI Secure Boot 在捣鬼!

使用 Vagrant 管理 VirtualBox

注意:

1
2
3
4
5
6
$ vagrant package
No usable default provider could be found for your system.

$ vagrant package --base vagrant-ubuntu64
Vagrant has detected that you have a version of VirtualBox installed that is not supported by this version of Vagrant.
Please install one of the supported versions listed below to use Vagrant: 4.0, 4.1, 4.2, 4.3, 5.0

可参考这两个地方:

辛普森悖论及其哲学思考

什么是辛普森悖论

某个条件下的两组数据,分别讨论时满足某种性质,但合并起来可能导致相反的结论。这就是辛普森悖论。

假设某公司考核员工有个指标叫迟到出错率=(迟到次数+出错次数)/(出勤次数+工作个数),包括出错率和迟到率2个指标。
A员工做了5件重要工作,出错1件;
B员工做了100件很简单的小事情,出错21件。
A员工出勤100次,迟到29次,每次1分钟
B员工出勤10次,迟到9次,每次2小时
则:A员工出错率20%,迟到率29%;B员工出错率21%,迟到率90%,如果分别看出错率和迟到率,A员工明显比B员工优秀。
那么实际情况呢:A员工迟到出错率30/105;B员工迟到出错率30/110,B员工评分高于A员工。
这就是辛普森悖论的典型案例。

为什么会出现辛普森悖论

1、用相对比例(百分比)衡量结果。换句话说,用相对坐标去描述绝对坐标的情况。
常见的例子就是百度Google经常能搜出来的录取比例,女生占比等,比如这篇辛普森悖论:诡异的男女比例以及维基百科的例子。这种例子直接用绝对数值去看就可破解悖论。
2、数据本身是由不同部分构成,而这不同部分的权重可能不同。
第1点说的常见的例子,其实就是将不同结构的权重按 1:1 进行分配的结果(即A学院,B学院)。
我们的案例其实也是这样的,我们做个极端的推理,假设迟到率权重为0,则A员工迟到出错率20%,B员工21%,A员工评分高于B员工。
3、除了构成部分本身权重不同外,不同部分的质量也有区别。
其实,到了这里,我们已经慢慢在接近本质了。那就是:质与量的矛盾。我们身处一个“评价系统”中,自然选择和进化论就是评价的结果。
除了我们熟知的各种数据指标外,还包括我们每一个决策和行为。前者结果非常直观,后者则表现为“命运”。所有的结果都是“物竞天择,适者生存”。这个话题到此为止。

所以,其实这是通过量对质进行评价过程中的三个层次:
第一层:也是最外面的那层,是用相对比例(百分比)表示而造成的结果扭曲;这一层是“显示”出(导致)的错误。
第二层:数据不同构成部分“重要性”(权重)不同而造成的结果扭曲;这一层是未考虑“结构”导致的错误。
第三层:每个构成部分数据本身的“重要性”不同而造成的结果扭曲;这一层是未考虑“内容”导致的错误。

综上,我们可以重新定义一下辛普森悖论:
人们在对事物的评价过程中,未考虑每组数据本身的重要性以及不同部分数据的结构的“权重”,并采用相对指标对结果进行描述而造成的对真实结果的扭曲的一类现象。

再扩展一下,上述定义很重要的两个地方:“人们”和“现象”。
就是说,评价是以人的某种需求为中心的,需求不同,观察到的“现象”亦不同。
这是否让我们想起了薛定谔的那只猫?
另外,是什么让“人”进行“评价”?这个过程究竟是有意识的还是无意识的?

结果应用

简单来说,辛普森悖论告诉我们,任何时候不能简单地根据数据结果而轻易得出一些看似确定的结论。真正的结论需要我们对分析目的进行深入思考,对数据本身进行深入细致地探索研究后才有可能得出。

永远对知识充满敬畏。弱小和无知不是生存的障碍,傲慢才是。

可视化

Simpson’s Paradox