- 博客(12)
- 资源 (2)
- 收藏
- 关注
RSS订阅原创 （MacOS Catalina）修复Anaconda路径问题
问题描述Apple在MacOS Catalina中不允许Anaconda直接安装在根文件夹中。Github issuesHow to Restore Anaconda after Update to MacOS Catalina我实在迁移系统后出现问题，新老电脑的主文件夹名不同，所以使用conda会显示找不到。原因是conda很多文件都使用的硬编码，直接在安装时把路径写死在文件头部（神奇）...
2020-04-14 11:38:14
1049
原创 [Shell][学习整理]01
ShellShell简介Shell 脚本（shell script），是一种为 shell 编写的脚本程序。Linux的Shell种类众多，其中最广泛使用的是前两种（便捷、免费）。一般情况下，并不区分Bourne和Bourne Again，常见的有：Bourne Shell（/usr/bin/sh或/bin/sh）Bourne Again Shell（/bin/bash）Shell f...
2020-02-24 23:41:33
450
原创 使用Jupyter
kernel error原因：多次安装卸载anaconda，配置环境导致python的kernel内核安装路径混乱，使得Jupyter notebook不可用。解决方法：查看jupyter安装的内核和位置：jupyter kernelspec list重新安装内核：python -m ipykernel install --user可以进入之前查看的安装位置，打开kernel....
2019-10-09 21:56:34
201
原创 MySQL for Mac 终端操作说明
mysql for mac 终端操作说明MySQL服务开启Mac版mysql可以从设置里启动服务：如果想要在终端(Terminal)中操作mysql，需要先添加mysql路径，在此以zsh为例：# 打开设置文件vim ~/.zshrc# 添加路径PATH="/usr/local/mysql/bin:$PATH";export PATH# 应用source ~/.zshrc...
2019-06-10 21:10:38
1716
翻译 Google Colab 免费 GPU 使用教程
Google Colab 使用说明原文地址：Google Colab Free GPU Tutorial我只是大致地翻译了一下，一些地方也加入了我在使用中的理解。原文说是会不断更新（上次更新2018-01-26），可以关注一下。我并没有验证文中全部的方法（因为有的没有用到），所以若遇到问题或者有更好的方法，欢迎交流讨论，共同进步。Google ColabGoogle Colab 是一...
2019-06-07 18:20:58
3932
原创 实现斐波那契数列的另一种方法
综述斐波那契数列最常见的表示方式就是递归表示： Fib(0)Fib(1)Fib(n)=1=1=Fib(n−1)+Fib(n−2)Fib(0)=1Fib(1)=1Fib(n)=Fib(n−1)+Fib(n−2)\begin{split} Fib(0) &=1 \\ Fib(1) &=1 \\ Fib(n) &=Fib(n-1)+Fib(n-2)\end
2018-08-19 10:25:29
913
原创 [笔记]朴素贝叶斯·神经网络·SVM
朴素贝叶斯在上一讲中的特征xix_i 只能取0，1，二元值；一般化的朴素贝叶斯算法中，特征xix_i 能取{1,2,...,ki}\{1,2,...,k_i\}。 这样在对p(x|y)p(x| y)进行建模时，就要使用多项式分布，而不是伯努利分布。如果特征是连续值，那么就需要将其离散化，离散到有限的k个值。 例子：居住面积 当原始的连续值在多项分布中建模效果不是很好时，离散这些特征然后使用
2017-08-17 16:08:11
1264
原创 [笔记]生成学习算法·GDA·NB
生成学习算法判别学习算法(Discriminative learning algorithm)直接学习p(y|x)p(y|x)，或者学习得到一个假设，直接输出0、1，hθ(x)∈{0,1}h_θ(x)\in \{0,1\}。例如Logistic回归。 该种模型只是通过一条分隔线把两种类别区分开。生成学习算法(Generative learning algorithm)根据特征和类别情况，对p(x|
2017-08-14 22:06:38
597
原创 [笔记]牛顿方法·指数族·GLMs
牛顿方法(Newton’s method)牛顿方法是另一种最大化l(θ)l(θ)的算法。 首先找到一个实数域上的方程ff，f(θ)=0f(θ)=0，θ是实数。 从起始点θ0θ_0开始，找到f(θ0)f(θ_0)处的切线，与坐标轴相交于θ1θ_1，由此不断迭代。两点之间的距离记为Δ 。 f′(θ0)=f(θ0)Δf'(θ_0)=\frac{f(θ_0)}{Δ} —-> Δ=f(θ0)f′(
2017-08-13 10:11:56
1141
2
原创 [笔记]概率解释·局部加权回归·Logistic回归
欠拟合与过拟合假设一种情况，根据x预测y (a):使用y=θ0+θ1x1y=θ_{0}+θ_{1}x_{1}去匹配数据，并不能很好地拟合。 (b):使用y=θ0+θ1x1+θ2x2y=θ_{0}+θ_{1}x_{1}+θ_{2}x_{2}去匹配数据，比较完美地拟合。 (c):使用y=∑5j=0θjxjy=\sum_{j=0}^5θ_{j}x^{j}去匹配数据，过于拟合数据，丧失了预测性。
2017-08-11 16:40:54
2738
原创 [笔记]监督学习·梯度下降
监督学习(Supervised Learning)SupervisedLearning,Wiki 通过训练资料（包含输入和预期输出的数据集）去学习或者建立一个函数模型，并依此模型推测新的实例。函数的输出可以是一个连续的值（回归问题,Regression），或是预测一个分类标签（分类问题,Classification）。 机器学习中与之对应还有： 无监督学习(Unsupervised Learn
2017-07-29 09:51:09
323
JSVM测试视频02
2018-09-04
JSVM测试视频01
2018-09-04
空空如也
TA创建的收藏夹 TA关注的收藏夹
TA关注的人