- 博客(51)
- 收藏
- 关注
RSS订阅原创 产品实习笔记——会员体系 & 积分体系
淘宝会员的成长值（淘气值）则是通过相对比较复杂的规则计算得出。还有充值，参与营销活动以及完成相关任务获得成长值，可根据自己产品运营需求去设计具体的成长值获得规则。
2023-11-05 13:20:51
363
原创 产品经理入门——必备技能之【产品运营】
用户生命周期：1、什么叫运营？——连接产品和用户，同时为双方创造价值。2、运营基础模型AARRR3、拉新的常见方法——名人效应、低价让利、邀请机制、种子用户、新媒体运营……4、活跃的常见方法——迎合用户需求和弱点5、留存的常见方法——引导用户投入沉没成本6、转化的常见方法——产品变现和流量变现7、传播的常见方法——做好产品、激发用户传播的欲望、做好传播的转化。
2023-03-15 12:49:03
2149
1
原创 【竞品分析】如何撰写竞品分析？竞品分析的基本结构？以及优秀的竞品分析案例
竞品分析是指对现有的或潜在的竞争产品的优势和劣势进行评价。现在被广泛应用于互联网产品的立项筹备阶段，通过严谨高效的竞品分析，可以让产品团队对自家产品的需求把握、对市场态势有更加清晰的认知，知彼知己。竞品分析是每个产品经理都必须掌握的基本技能，也是工作的重点内容。
2023-03-11 17:44:47
1269
原创 06-原型设计（墨刀）：初识墨刀、原型设计、交互效果、项目演示
1、了解了墨刀的项目创建方式及菜单和功能；2、掌握的低保真原型设计的方法；3、掌握了页面和组件交互的实现效果；4、能够完成项目的发布及演示
2023-03-07 11:22:11
5869
原创 05-思维导图Xmind快速入门
1、思维导图的作用；2、思维导图的应用场景；3、Xmind的主要功能？4、Xmind的主要结构？5、Xmind的主题有？主题元素有？
2023-03-06 12:41:57
3158
原创 04-项目立项：项目方案、可行性分析、产品规划、立项评审
1、掌握了项目方案的主要内容；2、了解可行性分析的主要内容；3、掌握产品规划的主要维度；4、了解立项说明书的结构和评审流程
2023-03-05 16:14:31
2071
原创 03-产品解决方案：需求分析、功能优先级划分、功能价值、用户体验
1、掌握需求分析的方法2、学会基于Kano模型评定功能优先级3、了解功能价值的判断维度4、理解如何基于用户体验优化设计产品
2023-03-05 15:04:41
1660
2
原创 01-认识产品经理：什么是合格的产品经理？其分类？岗位职责？能力素质？职业发展？
1、知道什么才是合格的产品经理；2、了解产品经理的分类；3、了解产品经理的岗位职责；4、了解产品经理的能力素质；5、知道产品经理的职业发展；6、了解了产品经理的学习路径及方法
2023-03-03 13:37:25
1026
原创 数学建模十大算法04—图论算法（最短路径、最小生成树、最大流问题、二分图）
数学建模图论相关的算法。包括最短路径问题、最小生成树、最大流问题等。
2022-09-11 00:05:25
11466
1
原创 08-词嵌入（Word embeddings）
文章目录1. One-hot编码2. 用独一无二的数字编码每个单词3. 词嵌入4. 代码示例4.1 数据准备4.2 使用Embedding层4.3 文本预处理4.4 创建一个分类模型4.5 编译/训练模型1. One-hot编码这一部分，之前已在 01-Embedding层是什么？怎么理解？简单的评论情感分类实验 这篇文章中详细解释过。2. 用独一无二的数字编码每个单词我们可能尝试的第二种方法是使用独一无二的数字对每个单词进行编码。继续上面的例子，您可以将1赋给“cat”，2赋给“mat”，以
2022-06-02 20:53:58
1453
原创 07-数据增强
文章目录1. 数据准备2. 使用 Keras 预处理层3. 将预处理层应用于数据集3.1 训练模型3.2 评估模型4. 自定义数据增强5. 使用tf.image5.1 翻转图像5.2 灰度图像5.3 图像饱和5.4 改变图像亮度5.5 居中裁剪图像5.6 图像旋转6. 应用示例6.1 随机改变图像亮度6.2 随机改变图像对比度6.3 随机裁剪图像6.4 将数据增强应用到数据集1. 数据准备导入所需要的包：import matplotlib.pyplot as pltimport numpy as n
2022-05-28 23:10:31
768
原创 06-迁移学习：用基于 ImageNet 训练的权重的 MobileNet V2 模型进行猫狗分类
文章目录1. 数据预处理1.1 数据下载2. 从预训练卷积网络创建基础模型3. 特征提取3.1 冻结卷积基3.2 添加分类头3. 编译模型4. 训练模型5. 微调5.1 解冻模型的顶层5.2 编译模型5.3 继续训练模型6. 评估和预测7. 总结迁移学习把之前学到的知识，应用到新的问题上，给出较好的解决方法。本文的例子是基于模型的迁移，就是重新利用模型里的参数。该类方法在神经网络里面用的特别多，因为神经网络的结构可以直接进行迁移。比如大家熟知的 finetune 就是模型参数迁移的很好的体现。关于迁移
2022-05-18 21:43:10
4555
原创 05-图像分类（含有3700张鲜花照片的数据集）
文章目录1. 数据准备1. 数据准备首先导入我们需要的包：import matplotlib.pyplot as pltimport numpy as npimport osimport PILimport tensorflow as tffrom tensorflow import kerasfrom tensorflow.keras import layersfrom tensorflow.keras.models import Sequentialimport pathlib
2022-05-15 17:05:01
3930
3
原创 04-利用CNN对CIFAR图像进行分类
文章目录1. CIFAR10数据集准备2. 构造卷积神经网络模型3. 编译并训练模型4. 评估模型本例中展示了如何训练一个简单的卷积神经网络 (CNN) 来对 CIFAR 图像进行分类。由于本教程使用的是 Keras Sequential API，创建和训练模型只需要几行代码。1. CIFAR10数据集准备CIFAR10 数据集包含 10 类，共 60000 张彩色图片，每类图片有 6000 张。**此数据集中 50000 个样例被作为训练集，剩余 10000 个样例作为测试集。**类之间相互独立，不
2022-05-12 20:45:16
1496
原创 03-鸢尾花分类问题（120个样本的实验）
文章目录1. 环境配置及数据集准备2. 创建一个 tf.data.Dataset3. 选择模型类型4. 使用keras创建模型5. 训练模型5.1 定义损失和梯度函数5.2 创建优化器5.3 训练循环5.4 建立测试数据集5.5 根据测试数据集评估模型5.6 使用经过训练的模型进行预测1. 环境配置及数据集准备import osimport matplotlib.pyplot as pltimport tensorflow as tf# 默认情况下，TensorFlow 用 eager exec
2022-05-12 16:15:42
3519
1
原创 02-tensorflow中tf.data()用于卷积网络的综合应用实例
文章目录1. 配置并下载数据集2. 检查数据集tf.data卷积神经网络综合应用实例使用tf.data建立数据集，并使用CNN卷积神经网络实现对花卉的分类问题。1. 配置并下载数据集import tensorflow as tfAUTOTUNE = tf.data.experimental.AUTOTUNE在Python 3.4之后，标准库添加了新的模块 pathlib，它使用面向对象的编程方式来表示文件系统路径。Pathlib模块使用的笔记可参考：https://www.pynote.ne
2022-05-11 21:46:14
481
原创 01-Embedding层是什么？怎么理解？简单的评论情感分类实验
文章目录1. One-hot编码2. Embedding3. 语义理解中Embedding意义4. 文本评论（代码实验）1. One-hot编码要知道embedding的作用，首先要了解独热编码（one-hot）。假设现在有如下对应关系：那么，就可以用 [0，1，4] 来表示“我是猪”这句话。而One-hot中只存在0和1，有多少个字要编码，one-hot一行的长度就为这么多。比如一个字典中只有“我是一头猪”5个字被从0-4进行了编码，那么one-hot每一行就会有5个用0或1表示的位置，即使要表
2022-05-01 17:42:28
1920
原创 吴恩达《序列模型》01——循环神经网络RNN
文章目录一、序列模型1. 什么是序列模型？2. 数学符号（Notation）二、循环神经网络1. 标准NN存在的问题2. RNN3. 通过时间反向传播（Backpropagation through time）4. 不同结构三、语言模型1. Language model and sequence generation2. 采样（Sampling novel sequences）四、GRU和LSTM1. RNN 的梯度消失（Vanisging gradients with RNNs）2. GRU（门控循环单元
2021-10-30 13:22:33
1806
原创 吴恩达《卷积神经网络》02——经典卷积网络
文章目录一、LeNet-5二、AlexNet三、VGG-16四、ResNets1. Why ResNets Work五、Inception Network1. 1x1 Convolutions2. Inception Network Motivation3. 计算成本问题4. Inception Network六、其他1. 使用开源的实现方案2. 迁移学习（Transfer Learning）3. 数据增强（Data Augmentation）4. 计算机视觉现状（State of Computer Vis
2021-10-23 15:17:25
357
原创 吴恩达《卷积神经网络》01——卷积神经网络基础
文章目录一、计算机视觉（Computer Vision）二、边缘检测（Edge Detection）1. 边缘检测例子（Edge Detection Example）2. 更多边缘检测的例子（More Edge Detection）三、padding 与 Strided Convolutions1. padding2. 卷积步长（Strided Convolutions）四、高维卷积（Convolutions Over Volume）1. 单层卷积网络（One Layer of a Convolutiona
2021-10-15 15:44:46
593
原创 吴恩达【优化深度神经网络】笔记03——超参数调试、Batch正则化和编程框架
文章目录一、超参数调试处理（Tuning Process）1. 重要程度排序2. 调参技巧3. 选择合适的范围4. Hyperparameters tuning in practice: Pandas vs. Caviar二、批标准化（Batch Normalization）1. 将 BN 应用于神经网络（Fitting Batch Norm into a neural network）2. BN 有效的原因（Why does Batch Norm work？）3. 测试时的 Batch Normaliza
2021-10-14 20:15:39
243
原创 吴恩达【优化深度神经网络】笔记02——优化算法
文章目录一、Mini-batch梯度下降（Mini-batch gradient descent）1. 复习：batch梯度下降2. Mini-Batch 梯度下降法3. Understanding mini-batch gradient descent3.1 batch的不同大小（size）带来的影响：3.2 Batch梯度下降法和随机梯度下降法的比较3.3 mini-batch大小的选择3.4 获得mini-batch 的步骤二、指数加权平均（Exponentially weighted average
2021-10-04 19:14:40
286
原创 吴恩达【优化深度神经网络】笔记01——深度学习的实用层面
文章目录引言一、训练集/验证集/测试集（Train/Dev/Test sets）1. 数据集选择2. 补充：交叉验证（cross validation）二、偏差和方差（Bias/Variance）1. “偏差-方差分解”（bias-variance decomposition）2. 输入特征是高维的情况3. 应对方法三、正则化（regularization）1. L2 regularization2. L1 regularization3. 神经网络中的正则化4. 权重衰减（weight decay）四、正
2021-10-02 18:37:50
288
原创 吴恩达【深度学习】笔记03——深层神经网络（Deep Neural Networks）
文章目录一、深层神经网络（Deep L-layer neural network）二、前向传播和反向传播（Forward and backward propagation）1. Forward propagation2. Backward propagation3. Building blocks of deep neural networks三、核对矩阵的维数（Getting your matrix dimensions right）四、为什么使用深层表示？（Why deep representation
2021-10-01 14:03:07
911
原创 【下降算法】最速下降法、Newton法、共轭梯度法
文章目录1. 一维搜索2. 最速下降法最速下降法特征最速下降法的优缺点3. Newton法算法基本思想牛顿法和梯度下降法的效率对比1. 一维搜索最优化问题一般选择某一组变量，然后在满足一定的限制条件下，求出使目标值达到最优（最大或最小）的变量值。大部分时候，最优化问题都采用迭代计算的方式来求解。而大多数迭代下降算法都具有的共同点是在得到某次迭代点xkx^kxk后，需要按照一定规则来确定一个方向dkd^kdk，沿着该方向在直线上求函数的极小点得到下一个迭代点xxxk+1 。这样不断在一维的目标函数上，求
2021-09-27 20:56:05
15272
2
原创 吴恩达【深度学习】笔记02——浅层神经网络（Shallow neural networks）
一、神经网络表示竖向堆叠起来的输入特征被称作神经网络的输入层（the input layer）。神经网络的隐藏层（a hidden layer）。“隐藏”的含义是在训练集中，这些中间节点的真正数值是无法看到的。输出层（the output layer）负责输出预测值。如图是一个双层神经网络，也称作单隐层神经网络（a single hidden layer neural network）。当我们计算网络的层数时，通常不考虑输入层，因此图中隐藏层是第一层，输出层是第二层。约定俗称的符号表示：二、
2021-09-25 17:21:19
728
原创 吴恩达【深度学习】笔记01——向量化、For循环及Python中的Broadcasting
向量化是非常基础的去除代码中for循环的艺术，在深度学习安全领域、深度学习实践中，你会经常发现自己训练大数据集，因为深度学习算法处理大数据集效果很棒，所以代码的运行速度非常重要。否则在数据集很大时，代码需要花费很长时间去处理。在深度学习领域，运行向量化是一个关键的技巧。文章目录1. 向量化2. 向量化实现3. 非向量化实现4. python中的广播5. 补充：关于numpy中向量的说明1. 向量化举一个例子说明什么是向量化：在逻辑回归中需要计算 z=wTx+bz = w^Tx + bz=wTx+b
2021-09-20 12:31:38
951
原创 【机器学习】吴恩达课后习题（python实现）ex1——线性回归
【准备工作】下载好课后习题所用的数据集：单变量线性回归【问题描述】使用一个变量实现线性回归，预测食品卡车的利润。假设你是一家餐馆的首席执行官，正在考虑在不同的城市开设一个新的分店。该连锁店已经在各个城市拥有卡车，假设现在你有各个城市的利润和人口数据。您将会使用这些数据来帮助您选择下一个扩张的城市。文件ex1data1.txt包含了我们线性回归问题的数据集。第一列是一个城市的人口，第二列是在该城市的食品卡车的利润。利润的负值表示损失。首先，导入所需要的包。import numpy as npi
2021-09-18 13:24:28
982
原创 吴恩达机器学习课后作业—python实现
课后作业实现吴恩达机器学习作业Python实现(一)：线性回归吴恩达机器学习作业Python实现(二)：logistic回归吴恩达机器学习作业Python实现(三)：多类分类和前馈神经网络吴恩达机器学习作业Python实现(四)：神经网络(反向传播) & BP（反向传播）神经网络公式推导吴恩达机器学习作业Python实现(五)：偏差和方差吴恩达机器学习作业Python实现(六)：SVM支持向量机吴恩达机器学习作业Python实现(七)：K-means和PCA主成分分析吴恩达机器学习
2021-08-31 20:49:44
1197
原创 【微信小程序】从零开始搭建一个英语学习小程序04——数据库设计和接口设计
文章目录一、数据库设计1. 数据库表设计2. 表结构设计（1）collects表（收藏表）（2）everydaywords表（每日打卡单词表）（3）listen表（听力表）（4）listencomments表（听力评论表）（5）papers表（阅读表）（6）daytarget表（每日单词任务表）（7）listenliked表（听力点赞表）（8）users表（用户表）（9）words表（单词表）（10）paperlike表（阅读点赞表）（11）papercomments表（阅读评论表）3. 数据库页面二、接口
2021-08-19 14:18:31
2309
1
原创 【微信小程序】从零开始搭建一个英语学习小程序03——页面样式设计（2）
文章目录三、“听力”页面设计1. 子页面tab栏的设计2. 取不同分区的数据四、“阅读”页面设计三、“听力”页面设计1. 子页面tab栏的设计在该页面的tab栏中，需要显示“四级”、“六级”、“综合训练”三个菜单栏，点击不同的菜单可以显示对应的内容，例如点击“四级”时，“四级”页面所展示的内容均为四级相关。在listening页面的wxml定义如下页面所示的容器。在view容器中用wx:for="{{readtablist}}实现显示“四级”、“六级”、“综合训练”三个菜单栏，数据存放在js文件中
2021-08-19 13:43:34
1250
1
原创 python入门11——面向对象（进阶01）：描述符及常用的魔法方法
描述符描述符本质就是一个新式类，在这个新式类中，至少实现了__get__、__set__、__del__中的一个，亦称为“描述符协议”。__get__()：调用一个属性时触发。 __set__()：为一个属性赋值时触发。 __del__()：采用del删除属性时触发描述符的作用是用来代理另外一个类的属性的（必须把描述符定义成这个类的类属性，不能定义到构造函数中）。包含这三个方法的新式类称为描述符，由这个类产生的实例进行属性的调用/赋值/删除,并不会触发这三个方法，如下实例所示：class Fo
2021-08-18 14:10:20
185
原创 python入门10——综合练习题（面向对象、函数）
【例1】小明爱跑步：小明的体重为120KG，小明每跑一次步体重下降0.5KG，小明每吃一顿饭体重上升1KG。类的设计如下所示：class Person: def __init__(self, name, weight): self.name = name self.weight = weight def __str__(self): return "[%s]的当前体重是 %.1f KG " % (self.name, self.weig
2021-08-13 09:56:58
2943
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