learn to rank有哪些比較好的開源庫？最好用C或者Python。XGboost可以求解，目標函數可以作為rank:pairwis機器學習需要哪些數學基礎？對于從事機器學習的學生來說，高等數學

learn to rank有哪些比較好的開源庫？

最好用C或者Python。

XGboost可以求解，目標函數可以作為rank:pairwis

機器學習需要哪些數學基礎？

對于從事機器學習的學生來說，高等數學、線性代數、概率論和數理統(tǒng)計是三門課程中最重要的數學基礎。我來分別解釋一下這三個方面在機器學習中的作用。

1.微積分、牛頓迭代、拉格朗日乘子法、高等數學中的泰勒展開等知識點都在機器學習中有應用。比如在logistic回歸模型中求梯度時需要偏導數，優(yōu)化目標使用牛頓迭代法，約束優(yōu)化問題的SVM使用拉格朗日乘子法等等。，以及高等數學的其他知識點都或多或少的體現在機器學習中。

分解，張量分解，線性代數推薦系統(tǒng)中使用的非負矩陣分解NMF，PCA主成分分析中的特征值和矩陣運算。我來貼一下之前用矩陣求導解決最小二乘問題的公式推導過程，體會一下線性代數的重要性。

最小二乘的求解可以用梯度下降迭代或牛頓迭代求解，但也可以基于矩陣求導計算。其計算方法更加簡潔高效，不需要大量迭代，只需要解一個正規(guī)方程組。

總之，對于機器學習來說，線性代數比高數更重要。

3.概率論與數理統(tǒng)計概率論與數理統(tǒng)計就更重要了，比如樸素貝葉斯分類和概率圖模型中用到的貝葉斯公式，高斯過程，最大熵模型，抽樣方法，NLP領域的大部分算法都與概率論有關，比如基于LDA的主題模型，基于CRF的序列標注模型，分詞系統(tǒng)等等。

所以，要從事機器學習，高等數學、線性代數、概率論、數理統(tǒng)計都是必不可少的數學基礎。

c語言除和模的區(qū)別？

通常模運算(mod)和余數運算(rem)是混淆的，因為在大多數編程語言中，模運算或余數運算是用%符號表示的。它是一個具有左結合性的二元運算符。運算中涉及的量都是整數。模運算的結果等于兩個數相除后的余數。例如:

5!,1!

5%2.0和5.0%2的結果是語法錯誤。

這里要提醒大家，在當前環(huán)境下，要非常注意%運算符的具體含義，因為在負數的情況下，兩者的結果是不一樣的。

對于整數A和B，模運算或余數運算的方法有:

1.求整數商:c a/b；

2.計算模數或余數:r a-c * B。

模運算和余數運算在第一步中是不同的。:余數運算取c的值時，四舍五入為0 (fix()函數)；當計算c的值時，模運算舍入到無窮小方向(floor()函數)。

所謂0方向舍入，就是以小數點為界，直接去掉小數部分。如(Int)-1.324-1(也叫截斷法)；

向無窮小方向舍入，意味著最終結果小于真實值。如(int)-1.324-2；(這里的int是cast數據類型)

所以當a和b

符號相同時，模運算和余數運算得到的c值相同，所以結果相同；

當符號不一致時，結果是不同的。

具體來說，余數運算結果的符號與A(截斷法)一致，模運算結果的符號與B(較小法)一致。

在C語言中，符號%代表余數運算，在Python腳本中，%代表模。(通常模運算中不允許b是負數，但是在python 2.5.1%中可以跟負數，因為python語言中除法的結果是四舍五入到0，所以計算結果是模！)