- 博客(22)
- 收藏
- 关注
RSS订阅原创 Kafka安装配置与入门教程
参考：https://juejin.im/post/6844903495670169607#heading-91 基本概念与使用优势Kafka是一个分布式的，支持多分区、多副本，基于 Zookeeper 的分布式消息流平台，也是一款开源的基于发布订阅模式的消息引擎系统。基本概念消息：Kafka 中的数据单元被称为消息，也被称为记录，可以把它看作数据库表中某一行的记录。批次：为了提高效率， 消息会分批次写入 Kafka，批次就代指的是一组消息。主题：消息的种类称为 主题（Topic）,可以说一个
2020-10-21 10:47:34
2679
2
原创 python sqlalchemy入门
参考：Python SQLAlchemy入门教程(基本用法)SQLAlchemy入门和进阶sqlalchemy是一个ORM–Object Relational Mapping（对象关系映射）工具，同样的工具还有pymysql，Django ORM1 概念与数据类型概念：常见数据类型2 定义数据库表类为了代码易读结构清晰，建议将定义数据库表的类单独放在一个文件中，比如models.py# models.pyfrom sqlalchemy import Column, Text, S
2020-09-03 15:37:18
249
原创 python面向对象小记
class定义一个类，面向对象开发有三大特征：封装、继承、多态1. 封装根据职责将属性和方法 封装到一个抽象的类中。封装是定义类的准则。2. 继承实现代码的重用， 相同的代码不需要重复的编写。设计类的技巧；子类继承父类所有属性和方法，然后还可针对自己特有的需求，添加或改写特定的属性和方法（其实这里就是多态）；3. 多态不同的子类对象，调用相同的父类方法，产生不同的执行结果。多态可以增加代码的灵活度以继承和重写父类方法为前提是调用方法的技巧，不会影响到类的内部设计类的
2020-08-22 12:34:59
322
原创 哈夫曼树与哈夫曼编码
哈夫曼树1. 定义节点的路径长度：从根节点到该节点的路径上的连接数。树的路径长度：树的叶子节点的路径长度之和。节点带权路径长度：节点的路径长度与节点的权值的乘积。树的带权路径长度：WPL(Weighted Path Length)是树中所有叶子节点的带权路径长度之和。定义：给定n个权值作为n个叶子节点，构造一棵二叉树，若这棵二叉树的带权路径长度达到最小，则称这样的二叉树为最优二叉树，也称为Huffman树。2. 构建哈夫曼树**WPL的值越小，构造出来的二叉树的性能越优。**如何构造最优二
2020-07-30 14:42:13
425
原创 推荐系统-协同过滤
UserCF流程整理(结合代码)代码源1 数据处理1.1 加载数据loadfile(filename)函数，功能是利用yield迭代的给后面的generate_dataset()函数逐条的提供数据。主要代码如下：def loadfile(filename): ''' load a file, return a generator. ''' fp = open(filename, 'r') for i, line in enumerate(fp): yield
2020-07-23 22:14:01
325
原创 推荐系统离线评估指标
推荐系统离线评估指标1 评分预测指标符号定义：对于测试集中的一个用户u和物品i，令ruir_{ui}rui是用户u对物品i的实际评分，而 r^ui\hat r_{ui}r^ui是推荐算法给出的预测评分1.1 均方根误差(Root Mean Squared Error，RMSE)RMSE=∑u,i∈T(rui−r^ui)2∣T∣\mathrm{RMSE}=\frac{\sqrt{\sum_{u, i \in T}\left(r_{u i}-\hat{r}_{u i}\right)^{2}}}{|T
2020-07-23 21:56:43
1244
2
原创 推荐算法-因式分解机FM
Factorization Machines参考1. 刘建平的博客: https://www.cnblogs.com/pinard/p/6370127.html2. Tracholar的博客: https://tracholar.github.io/machine-learning/2017/03/10/factorization-machine.html3. 知乎小孩不笨的文章: https://zhuanlan.zhihu.com/p/504262921 准备通常，我们的机器学习模型是学习一
2020-07-23 21:53:05
634
原创 逻辑回归笔记
Logistic Regression1 前言怎么将n维向量x=[x1,x2,...,xn]x=[x_1,x_2,...,x_n]x=[x1,x2,...,xn]映射成一个点y呢？很容易想到就是将向量xxx与另一个向量做内积。这个向量我们称为参数θ\thetaθ，即θ=[θ0,θ1,...,θn]\theta=[\theta_0, \theta_1, ...,\theta_n]θ=[θ0,θ1,...,θn]。所以做内积就是x⋅θx\cdot\thetax⋅θ【即行向量X乘以（行向量θ\th
2020-07-23 21:47:11
188
原创 梯度下降笔记
Gradient Descent1 梯度下降简单理解在微积分里面，对多元函数的参数求∂偏导数，把求得的各个参数的偏导数以向量的形式写出来，就是梯度。比如函数f(x,y)f(x,y)f(x,y), 分别对x,y求偏导数，求得的梯度向量就是(∂f/∂x,∂f/∂y)T(\partial f/ \partial x, \partial f/ \partial y)^T(∂f/∂x,∂f/∂y)T,简称grad f(x,y)或者∇f(x,y)\nabla f(x,y)∇f(x,y)。对于在点(x0,y0)(x_
2020-07-23 21:13:52
191
原创 线性回归笔记
Regression对数值的趋势做预测输入为一系列相关特征值，输出我们的预测结果1 定义一个model即定义一个合理的function set，这里的set表示很多组参数形成的很多function，后续我们需要用梯度下降来选择最好的function所谓Liner Model，即一个函数f(⋅)f( \cdot )f(⋅)可以表示成如下形式f(w,b)=b+∑wixif(w, b)=b+\sum w_{i} x_{i}f(w,b)=b+∑wixi则我们称这样的函数为一个Liner Funct
2020-07-23 20:54:07
132
原创 ID3.5&C4.5&CART决策树里几个关键公式
ID3.5信息熵（entropy）度量样本集合“不纯度”或者“混乱程度”的最常用指标，熵值越大，混乱程度越大，纯度越低；熵值越小，混乱程序越小，纯度越高；Ent(D)=−∑k=1∣y∣pklog2pkEnt(D)= - {\sum_{k=1}^{|y|}}p_k{log_2^{p_k}}Ent(D)=−k=1∑∣y∣pklog2pk其中D为样本集，∣y∣|y|∣y∣为类别总数，kkk为当前类别号，pkp_kpk为kkk类别在整个样本集中出现的概率。计算信息熵时约定：若p=0,则plog2p
2020-06-13 01:07:25
397
原创 win10常用快捷方式提升办公效率
前言：我们必须承认鼠标是乔老爷子非常伟大的发明，降低了电脑的使用门槛，但有得必有失。使用鼠标时，我们的右手就不得不频繁离开主键盘区，从而极大影响了输入效率，同时，由于鼠标操作的步骤冗余性以及指针位置要求的相对精准性，导致鼠标操作效率低下。显然，这对于需要高效或迫切完成一项任务的场景是非常不利的。这里我总结了一些日常办公非常常用的一些快捷键，希望能帮助小伙伴们提高PC使用效率。By the way...
2020-03-18 01:34:17
530
原创 VS code远程开发，settings小记
一二五级settings.json的设置第一级：默认设置，defaultSettings.json只读文件，位置未知：VScode安装后即有的配置文件，包含VScode的所有设置项，后面的所有设置更改，都将会覆盖这个文件中对应的设置项。第二级：用户设置，保存在：（可通过文件首选项用户设置更改，也可打开【这个位置的】settings.json更改）第三级：远程设置：保存在：/home/用户...
2020-02-22 17:22:27
936
原创 图嵌入/图神经网络模型整理归类
模型整理归类图卷积的模型overview这里wuzonghan等人将图神经网络分为图卷积网络、图注意网络、图自动编码器、图生成网络和图时空网络。其中，图卷积网络在捕获结构依赖项方面起着核心作用。如上图所示，其他类别的方法部分使用图卷积网络作为构建块。我们总结了表2中每个类别的代表性方法，并给每个类别做了简要介绍。...
2019-10-30 15:50:12
2739
3
原创 论文阅读笔记A Comprehensive Survey on Graph Neural Networks
A Comprehensive Survey on Graph Neural NetworksAbstract:1 Introduction2 Definition3 Categorization and Frameworks3.1 taxonomy of GNNs GNNs 的分类法3.2 Frameworks4 Graph convolution networks4.1 基于...
2019-10-18 12:51:57
881
原创 Representation Learning on Graphs: Methods and Applications阅读笔记
Representation Learning on Graphs: Methods and Applications摘要：1 introduction1.1 符号和基本假设2 Embedding nodes2.1 方法概览：一个编码解码的视角讨论方法之前先提出一个统一的编码解码框架，我们首先开发了一个统一的编译码框架，它明确地构建了这种方法的多样性，并将各种方法置于相同的标记和概念基...
2019-10-10 14:22:54
713
原创 VMware NAT模式下设置端口转发
NAT的Port Forwarding(端口转发)在桥接模式下，虚拟机可以利用NAT访问外网，可以利用VMware Network Adapter VMnet8虚拟网卡与主机通信，但如果想做到像桥接模式那样让虚拟机与与物理主机在同一网段下的其它主机互相通信，则需要设置NAT的端口转发，利用物理主机这个中介，来与外部通信，具体设置如下：在VM的虚拟网络编辑器里点击NAT设置在Port For...
2019-10-04 15:07:31
3710
原创 Jupyter常用快捷键
Jupyter实用快捷键jupyter notebook有两种模式，即命令模式和代码或文本编辑模式。同样的快捷键在不同模式下可能会有不同的功能，这里分开介绍：命令模式：F: 查找和替换Enter: 进入编辑模式Ctrl+Enter: 运行当前的cellY: 将当前cell切换至code格式M: 将当前cell切换至markdown格式K or Up: 选中上一个cellJ ...
2019-10-02 20:19:12
354
原创 Anaconda Python环境管理
Python环境管理小结(windows)：不同的实验，开发不同的项目，会用到python不同的版本、大量的包，Anaconda很好的解决了python的版本、包使用混乱的问题。Anaconda基础环境中包含了大量的依赖包，库函数，并且可以根据项目或者实验需求，方便的创建一个或多个需要的虚拟编译环境，用起来方便快捷且实用。在环境创建好之后，运行程序时只需选择要用的即可。下面是用Anaconda...
2019-10-02 19:55:45
395
原创 VM虚拟机三种网络模式详解
目录待补充感谢wuwenweijuan的优质文章，本文在该文基础上做了些注和补充vmware提供了三种网络工作模式，分别是：Bridged（桥接模式）、NAT（网络地址转换模式）、Host-Only（仅主机模式）。打开vmware虚拟机，我们可以在选项栏的“编辑”下的“虚拟网络编辑器”中看到VMnet0（桥接模式）、VMnet1（仅主机模式）、VMnet8（NAT模式），我们现在看到的VM...
2019-10-02 15:48:52
2513
转载 CSDN-markdown编辑器使用测试
Title_Test根据#多少改变标题大小你好！ 这是你第一次使用 Markdown编辑器 所展示的欢迎页。如果你想学习如何使用Markdown编辑器, 可以仔细阅读这篇文章，了解一下Markdown的基本语法知识。新的改变我们对Markdown编辑器进行了一些功能拓展与语法支持，除了标准的Markdown编辑器功能，我们增加了如下几点新功能，帮助你用它写博客：全新的界面设计 ，将会带...
2019-09-08 14:15:22
143
原创 jupyter切换kernel及打开位置及远程访问
jupyter切换kernel及打开位置jupyter切换kernel的两种方法方法一：使用命令jupyter kernelspec list命令可以查看当前的kernel及其地址，如下图所示：然后在对应的文件夹下可以找到kernel.json文件，打开文件修改python.exe的位置为要用的python解释器地址即可。方法二activate你要添加的python环境，然后安装i...
2019-09-08 14:00:56
6416
4
空空如也
空空如也
TA创建的收藏夹 TA关注的收藏夹
TA关注的人