- 博客(17)
- 收藏
- 关注
RSS订阅原创 论文图标visio等字体对应
八号＝5磅(5pt) ==(5/72)*96=6.67 =6px。小六＝6.5磅 ==(6.5/72)*96=8.67 =8px。四号＝14磅 ==(14/72)*96=18.67 =18px。一号＝26磅 ==(26/72)*96=34.67 =34px。七号＝5.5磅 ==(5.5/72)*96=7.3 =7px。三号＝16磅 ==(16/72)*96=21.3 =21px。二号＝22磅 ==(22/72)*96=29.3 =29px。小二＝18磅 ==(18/72)*96=24px。
2022-11-05 11:04:05
1926
原创 MOOC-人工智能实践：Tensorflow笔记4.2自制数据集txt文件和数据集不匹配解决办法（读取文件名并提取内容并合并原始内容与提取内容）
数据预处理
2022-05-30 16:44:15
419
原创 李沐老师《动手学深度学习》课程总结1
数据操作1、 创建数组：形状、数据类型、数据值2、 访问元素：[1, 2] 访问第二行第三列[1, :] 访问第二行[1:3, 1:] 子区域：第二行至第四行前一行到第二列之后所有[::3, ::2] 子区域：每三行一跳 第零、三…行拿出; 第零、二…列拿出两个点表示跳转元素访问自动求导...
2022-04-05 09:29:29
756
原创 李沐老师的《动手学深度学习PyTorch》中的d2lzh_python包的安装
关于RNN章节 以及模型章节等会使用到d2l的python包cmd下载地址：pip install d2l -i https://pypi.doubanio.com/simple/
2022-04-02 15:20:20
4251
4
原创 Python编程及高级数据分析
一、介绍（11月22日）python数据分析常用的包数据库实现的功能的在panda包里面找其中M\S\P是数据可视化工具深度学习使用的包是pytorch(facebook支持)中文的nlp：Jieba、pynlpir英文的nlp:NLTK学python前的准备工作Pycharm: 是按照程序员的使用习惯设计的软件机器语言翻译成人的语言可以分为：1、编译：一次性翻译2、解释：顺序翻译，依次进行翻译Python是解释性语言 C面向软件开发 Java先编译后解释 先转换成class。
2021-11-22 21:48:07
765
原创 anaconda下python中matplotlib画图无法显示中文
第一步：在自己电脑里选择喜欢的字体，搜索位置为C:\Windows\Fonts，我选择的是SimSun第二步查找Matplotlib默认字体目录打开anaconda prompt,输入python，接下来进入查找过程查找代码如下import matplotlibprint(matplotlib.matplotlib_fname()) 结果如下：红线标注的路径就是Matplotlib的配置文件所在的位置第三步打开第二步路径中最后对应的文件打开以后是这样的找到需要修改的代码位置
2021-06-28 17:53:26
1078
原创 PCA主成分分析
PCA引入PCA公式描述PCA算法说明：借鉴吴恩达机器学习视频课程和李航统计机器学习第十六章引入PCA是一种常用的无监督学习方法，它是一种降维方法，比如xi是样本点，xi∈Rn,通过PCA算法将xi变换为zi其中(zi∈Rk,k<n)。《统计》：PCA利用正交变换把由线性相关变量表示的观测数据转换为少数几个由线性无关表示的数据，线性无关的变量称为主成分，PCA公式描述先通过二维原数据对应的平面图直观体会PCA算法的原理。PCA算法要达到所有样本点对应红线长度平方之和最小，其中PCA算法
2021-06-10 10:26:29
8645
11
原创 李航《统计学习方法》之EM算法及其推广
EM算法是一种迭代方法，可以看作用坐标下降法来最大化对数似然估计下界的过程。一、引入（一）算法介绍1、例题有三枚硬币，ABC他们出现正面的概率分别是Π，p和q。进行如下投掷实验：先投掷A，再根据其结果选出硬币B或者C，A出现正面选择B，反面选择C，然后投掷选出的硬币，将掷出正面记作1，反面记作0，独立地重复N次实验（该问题n=10），观测结果如下：1，1，0，1，0，0，1，0，1，1要求：只能观测到掷硬币的结果，不能观测到掷硬币的过程，问如何估计三硬币正面出现的概率，即三硬币模型的参数P(y|
2021-06-07 16:33:39
380
2
原创 奇异值分解SVD（证明全部省略）
一、引入主成分分析PCA、潜在语义分析都会用到SVD不要求A矩阵是方阵，SVD是线性代数中相似对角化的延伸任意mn的矩阵都可以用三个矩阵相乘的形式表示分别是m阶正交矩阵、由降序排列的非负的对角线元素构成的mn矩形对角矩阵、n阶正交矩阵矩阵奇异值分解一定存在但不唯一SVD可以看作矩阵压缩数据的一种方法，这种近似是在平方损失意义下的最优近似二、SVD的定义、性质定义A=UΣVT满足以下条件UUT=E;VVT=E;Σ=diag(σ1,σ2,…σp),其中σ1>=σ2>=…&g
2021-05-29 16:47:04
1797
3
原创 无监督学习之聚类方法（K-Means、层次聚类）
一、导入无监督学习中需要对无标记样本进行训练学习进而找到数据的内在性质和逻辑结构，聚类方法是为了为无监督学习的数据分析提供的基础学习方法。聚类将数据集划分为若干个子集（每个子集称为类或者簇），如果一个样本只属于一个类（簇）则是硬聚类，如果某一个样本属于多个类那么就是软聚类。二、评价指标1、性能度量确定了性能度量以后，可以直接将其作为聚类过程的优化目标，可以分为以下两类外部指标说明：需要有参考模型作为比较对象对数据集D={X1, X2,…Xm}通过聚类得到的簇分类是C={c1, c2 …ck}
2021-05-22 19:50:20
2681
原创 李航《统计学习方法》之HMM隐马尔可夫模型
李航《统计学习方法》之HMM隐马尔可夫模型提示：文章写完后，目录可以自动生成，如何生成可参考右边的帮助文档文章目录前言一、基本概念1、语言描述：2、符号表示3、基本假设4、例子5、隐马尔可夫模型解决的三个基本问题二、概率计算算法1、向前算法算法：例题前言 隐马尔可夫在语音识别、自然语言处理、生物信息、模式识别有广泛的应用，然而对于隐马尔科夫的流程需要深入的学习和探究，才好对马尔科夫场，条件随机场有更深入的掌握的理解。一、基本概念1、语言描述：该模型是关于时序的概念模型，由一个隐藏
2021-04-20 21:13:10
1323
原创 集成学习之Adaboost(提升方法)
Adaboost提升方法就是从弱学习器出发，反复学习，得到一系列弱分类器（基本分类器），然后组合这些弱分类器，构成一个强分类器。本篇通过基本思路、算法、误差分析、向前分步算法、提升树等角度进行说明。基本思路待解决问题1、每一轮如何改变训练数据的权值或概率分布2、如何将弱分类器组合成强分类器解决方法1、高低赋权：提高在前一轮分类中分类错误的样本的权值，降低分类正确的样本的权值（分类问题被一系列弱分类器“分而治之”）2、加权多数表决：加大分类误差率小的弱分类器的权值，使其在表决中起较大的作用。
2021-03-16 09:34:02
365
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