- 博客(44)
- 资源 (14)
- 收藏
- 关注
RSS订阅原创 python报错——ImportError:DLL
一、问题背景在pycharm中可以正常切换python3.6或者3.8版本的并正常使用，但是在调用Jupyter的时候，会出现内核一直不连接的问题二、解决方法首先，对于环境变量PATH要有一个优先级的调整，如我们这里希望在jupyter中使用python3.8版本的，就将3.8版本相关的路径要放在最上面，顺序是D:\04.python3.8\Scripts\——>D:\04.python3.8——D:\04.python3.8\Scripts\pipDLL的问题解决上比较玄乎，
2022-05-31 12:37:51
708
1
原创 【python学习】——编程的两大思想：面向过程和对象
一、两大编程思想面向对象和面向过程，一个是宏观上的，一个是微观的二、类和对象的创建1、类：类别，分门别类，物以类聚。类是多个事物组成的群体的统称，能够帮助我们快速理解和判断事物的性质。2、数据类型（1）不同的数据类型属于不同类（2）使用内置函数查看数据类型print(type(100))print(type(99))print(type(520))3、对象100、99、520都是int类之下包含的相似的不同个例，这个个例专业术语称为实例或对象python中一切皆对象（dict
2022-05-25 12:55:46
804
原创 【python学习】——BUG
一、BUG的由来1、Bug的由来及分类bug是臭虫的意思，是因为世界上第一部万用计算机的使用过程中遇到故障，发现是因为有一只虫子在上面引起的故障，所有后来将不能正常运行的程序称为bugdebug称为排除故障2、不同异常类型的处理方式（1）bug的常见类型SyntaxError：粗心导致的错误粗心导致的语法错误：SyntaxError，自查宝典如下（1）漏了末尾的冒号，如if语句，循环语句，else子句等（2）缩进错误，该缩进的没有缩进，不该缩进的瞎缩进（3）把英文符号写成中文符号，
2022-05-23 17:59:01
483
原创 【python学习】——函数
函数一、函数的创建和调用- 函数的创建def 函数名([输入参数])： 函数体 [return xxx]二、函数的参数传递函数调用的参数传递（1）位置实参：根据形参对应的位置进行实参传递def calc(a,b):#这里的a,b为形式参数，形参的位置是在函数的定义出处 c=a+b return c result=calc(10,20)#10，20称为实际参数的值，简称实参，在这里是位置实参，实参的位置在调用处print(result)（2）关键字实参：根据形参名称进行实参传
2022-05-22 22:14:36
599
原创 【python学习】——字符串
字符串一、字符串的驻留机制（1）在python中它是基本数据类型，是一个不可变的字符序列（2）字符串的驻留机制：仅保存一份相同且不可变字符串的方法，不用的值被存放在字符串的驻留池中，python的驻留机制对相同的字符串只保留一份拷贝，后续创建相同字符串时，不会开辟新空间，而是把该字符串的地址赋给新创建的变量字符串的定义可以使用单引号，双引号，三引号a='python'b="python"c='''python'''print(a,id(a))——>python 281524043449
2022-05-19 17:37:13
692
原创 【python学习】——元组、集合
元组、集合1、什么是元组t = ('python','hello',98)使用小括号，中间用逗号隔开，隔开的内容叫做“元素对象”为什么元组没有列表、字典、集合这样的增删改之类的操作？因为元组是python内置的数据结构之一，是一个不可变序列不可变序列与可变序列不可变序列：字符串、元组。没有增、删、改的操作可变序列：列表、字典。可以对序列执行增删改操作，对象地址不发生更改那么，为甚要将元组设计成不可变序列在多任务环境下，同时操作对象时不需要加锁因此，在程序中尽量使用不可变序列
2022-05-17 10:18:34
331
原创 【python学习】——字典
字典1、什么是字典字典是python内置的数据结构之一，与列表一样是一个可变序列以键值对的方式存储数据，字典是一个无序的列表city={'安徽':1，'江苏':2，'上海':3}2、字典的原理字典的实现原理与查字典类似，查字典是先根据部首或者拼音查找相应的页码，Python中的字典是根据key查找value所在的位置，根据哈希函数（hash）计算得到的，键key必须是不可变序列,hash(key)3、字典的创建与删除1、字典的创建（1）最常用：使用花括号city={'安徽':1，'
2022-05-13 23:10:31
580
原创 【python学习】——列表
列表1、变量可以存储一个元素，而列表是一个“大容器”可以存储N多个元素，程序可以方便地对这些数据进行整体操作2、列表的特点（1）列表元素按顺序有序排序（2）索引映射唯一数据（3）列表可以存储重复数据（4）任意数据类型混存（5）根据需要动态分配和回收内存一、列表的创建与删除1、使用中括号2、使用内置函数list二、列表的查询操作1、获取列表中指定元素的索引——>index()(1)如查询列表中存在N哥相同元素，只返回相同元素中的第一个元素的索引（2）如果查询的元素在列表中不存
2022-05-13 15:48:55
1369
原创 （二十二）WaveletAE: A Wavelet-enhanced Autoencoder for Wind Turbine Blade Icing Detection
1、本篇论文是在上一篇论文（二十一）WaveletFCNN: A Deep Time Series Classification Model for Wind Turbine Blade Icing Detection的基础上展开的。2、上一篇文章是针对UCR单维时间序列，本篇文章针对多维时间序列。论文信息2019Machine Learning作者单位：美国莱斯大学（QS前100）&清华大学&香港大学数据集：多变量时间序列异常检测论文下载地址：https://arxiv
2020-06-28 18:40:44
1814
6
原创 （二十）Active Anomaly Detection via Ensembles: Insights, Algorithms, and Interpretability
论文信息2019Learning作者单位：华盛顿州立大学论文下载链接：https://arxiv.org/pdf/1901.08930.pdf论文代码链接： https://github.com/shubhomoydas/ad_examples一、阅读本文需要储备的基本知识主动学习集成1、主动学习思想：分为两个部分：选择引擎+学习引擎（1）选择引擎负责选择一个未标注的样例并将其交由人类专家进行标注，再将标注后的样例加入到已标注样例集中；（2）学习引擎：将这些人类专家标注的数
2020-06-22 09:30:49
1116
原创 （二十一）WaveletFCNN: A Deep Time Series Classification Model for Wind Turbine Blade Icing Detection
论文信息2019Learning作者单位：美国莱斯大学（QS前100）&清华大学&香港大学数据集Goldwind Inc数据集Goldwind是中国最大的风力发电机制造商，也是2018年全球第三大风力发电机制造商论文下载地址：https://arxiv.org/pdf/1902.05625v1.pdf论文代码地址：https://github.com/BinhangYuan/WaveletFCNN需要简单储备的知识离散小波转换（DWT）深度神经网络回顾离散小波变
2020-06-21 22:48:00
2451
7
原创 （十九）DEEP SEMI-SUPERVISED ANOMALY DETECTION
本篇论文是在上一篇（十八）Deep One-Class Classification论文的基础上进行改进的论文信息2020ICLR作者单位：德国柏林工业大学 & 新加坡科技设计大学数据集（3个）：MNIST+Fashion-MNIST+CIFAR-10半监督的异常检测问题论文下载链接：https://arxiv.org/pdf/1906.02694.pdf论文代码下载：https://github.com/lukasruff/Deep-SAD-PyTorch理解论文需要
2020-06-09 22:31:33
3182
2
原创 （十八）Deep One-Class Classification
论文信息2018ICML数据集（3个）：MNIST+CIFAR-10图像基准数据集+GTSRB停止标志数据集论文原文下载链接：Deep One-Class Classification论文对应代码：https://github.com/lukasruff/Deep-SVDD论文解析参考链接1、文章相关概念理解整理归纳：关于OCSVM与SVDD的理解2、相关理解参考：https://www.cnblogs.com/wj-1314/p/10701708.html2、论文解析参考：htt
2020-06-09 12:35:21
5198
1
原创 关于OCSVM与SVDD的理解
文章参考链接：关于OCSVM1、通俗易懂的理解：什么是一类支持向量机（one class SVM），是指分两类的支持向量机吗？2、异常检测（一）——OneClassSVM3、无监督︱异常、离群点检测 一分类——OneClassSVM关于SVDD1、SVDD(Support Vector Domain Description) 支持向量数据域描述两者的比较1、SVDD和OCSVM的比较2、One Class SVM, SVDD（Support Vector Domain Descriptio
2020-06-08 10:45:19
7891
1
原创 （十七）Temporal Pattern Attention for Multivariate Time Series Forecasting
相关PPT已经上传，可以在我上传的资源里看到，可免费下载本篇论文是在上一篇的文章的基础上进行的，我们发现，作者使用的数据集相同，并且评估指标基本一样，对比实验也是如此，创新点在于提出的一种新的注意力机制论文信息2019AAAI多变量时间序列预测论文链接：Temporal Pattern Attention for Multivariate Time Series Forecasting代码链接：https://github.com/gantheory/TPA-LSTM论文解析参考：参考
2020-06-05 16:33:40
4517
原创 （十六）Modeling Long- and Short-Term Temporal Patterns with Deep Neural Networks（LSNet）
相关PPT已经上传，可以在我上传的资源里看到，可免费下载论文信息2018SIGIR(CCFA)作者单位：CMU(Carnegie Mellon University卡内基梅隆大学)多元时间序列预测论文链接：Modeling Long- and Short-Term Temporal Patterns with Deep Neural Networks代码链接：https://github.com/laiguokun/LSTNet解析论文的参考的论文：参考一：https://zhuanl
2020-06-05 16:18:46
45670
2
原创 （十五）DEEP AUTOENCODING GAUSSIAN MIXTURE MODEL FOR UNSUPERVISED ANOMALY DETECTION 用于非监督异常检测的深度自编码高斯混合模
内含动画的PPT已经上传，可以在我上传的资源里看到，可免费下载****论文信息论文解析参考链接：用于非监督异常检测的深度自编码高斯混合模型论文链接：DEEP AUTOENCODING GAUSSIAN MIXTURE MODEL FOR UNSUPERVISED ANOMALY DETECTION论文参考代码https://github.com/tnakae/DAGMM在阅读论文的后阶段，需要掌握EM算法的基本原理，大家可以搜索一下CSDN一些热门的博客，关于视频学习EM算法，我推荐复旦-机器学习课
2020-05-29 15:37:48
1310
原创 （十四）A Deep Neural Network for Unsupervised Anomaly Detection and Diagnosis in Multivariate Time Seri
内含动画的PPT已经上传，可以在我上传的资源里看到，可免费下载****论文信息分析参考链接1分析参考链接2论文链接：A Deep Neural Network for Unsupervised Anomaly Detection and Diagnosis inMultivariate Time Series Data论文代码：https://github.com/7fantasysz/MSCRED论文信息2018AAAI多元时间序列+异常检测+Attention+AE+ConvLST
2020-05-29 15:05:40
3452
5
原创 关于论文的整理总结
根据纸质档的笔记更加注意细节地复习一遍，将一些模型打印出来粘贴在对应笔记根据纸质档系统的复习，再将其用电子档划分整理归纳，方便后期系统性地查阅和专攻有用到一个好的论文整理工具**一、论文整理工具推荐（Mendeley(开源免费)）**1、将论文导入该工具之后，其可以自动生成一些论文的基本要素，如:作者，发表日期，发表的地方，摘要，关键字等等2、在左侧栏，我们可以对我们的论文进行分类整合3、可对重要的论文标记星星4、在右侧栏Note用自己的话对论文进行总结，这样方便了解整篇..
2020-05-15 14:58:25
1189
7
原创 （十三）Time-Series Anomaly Detection Service at Microsoft 微软时间序列异常检测服务
内含动画的PPT已经上传，可以在我上传的资源里看到，可免费下载****论文信息论文链接：Time-Series Anomaly Detection Service at Microsoft 论文信息2020KDD时间序列+异常检测+SR+SR-CNN+无监督目录**内含动画的PPT已经上传，可以在我上传的资源里看到，可免费下载****论文信息**一、论文概括二、相关引入工作三、作者提出的方法四、相关笔记一、论文概括1、研究对象2、目标3、方法4、结论二、相关引入工作1、异常检
2020-05-15 14:46:49
2557
2
原创 （十二）Outlier Detection for Multidimensional Time Series using Deep Neural Networks
内含动画的PPT已经上传，可以在我上传的资源里看到，可免费下载一、概括二、相关引入工作三、作者提出的方法在这里插入图片描述
2020-05-09 17:43:31
2351
5
原创 (十一)RSM-GAN: A Convolutional Recurrent GAN for Anomaly Detection in Contaminated Seasonal MTS
内含动画的PPT已经上传，可以在我上传的资源里看到，可免费下载论文链接：https://arxiv.org/pdf/1911.07104.pdf论文信息2019Compute ScienceGAN+Attention+ConvlSTM+无监督文章目录一、论文概要二、相关引入工作三、作者提出的方法一、论文概要研究对象目标方法结论二、相关引入工作三、作者提出的方法...
2020-05-01 14:21:17
1159
6
原创 （十）Unsupervised Anomaly Detection in Energy Time Series Data using Variational Recurrent Autoencoder
内含动画的PPT已经上传，可以在我上传的资源里看到，可免费下载论文信息：2018IEEEVAE+Attention+无监督+异常检测+时间序列本篇论文需要具备一定的VAE了解及相关的数学知识我在阅读该论文过程中参考的一些学习网址：(1)https://zhuanlan.zhihu.com/p/64485020(2)https://zhuanlan.zhihu.com/p/838...
2020-04-25 19:39:10
1118
2
原创 （九）Anomaly Detection Based on Convolutional Recurrent Autoencoder for IoT Time Series
论文信息：2020IEEE异常检测+时间序列+CNN+Autoencoder（LSTM）+DNN本篇论文是在上一篇《Web traffic anomaly detection using C-LSTM neural networks》的基础上进行的，本篇作者在两个方面进行了改进：1.数据预处理方面；2.模型方面文章目录一、概括二、相关的工作三、作者的研究方法四、论文笔记一、概...
2020-04-16 17:41:57
2142
6
原创 （八）Web traffic anomaly detection using C-LSTM neural networks 基于C-LSTM神经网络的Web流量异常检测
论文信息：2018AAAI异常检测+时间序列+CNN+LSTM+DNN本周学习了两篇关于时间序列异常检测的论文，两篇论文都是使用C-LSTM模型，下一篇是在本篇论文的基础上进行的，先介绍这篇论文的主要内容，如有表述或者理解不对的地方，请批评指正。文章目录一、概括二、相关的研究工作三、作者的研究方法一、概括研究对象目标方法实验结果二、相关的研究工作三种不同类别的...
2020-04-16 17:28:30
2132
6
原创 （七）Outlier Detection for Time Series with Recurrent Autoencoder Ensembles 基于递归自编码集成的时间序列离群点检测
本文发表于2019年IJCAI会议上，全文主要围绕“异常检测+时间序列+集成+自编码器”展开，以下是我学习本篇论文后的收获，如有不正确的地方，请大家批评指正！研究方向写作动机实现思路文章创新...
2020-04-09 13:07:22
3162
11
转载 异常检测（Anomaly detection）方法小结
文章目录一、基于规则处理二、基于统计学处理三、基于机器学习处理3.1 无监督方法3.2 半监督方法3.3 有监督方法四、数据类型4.1. 高维数据4.2. 时间序列数据4.3. 文本数据异常检测技术被广泛应用到各个应用领域之中，包括疾病检测、金融欺诈检测、网络入侵检测等。在智能运维领域，异常检测处理的数据类型主要是时间序列数据（KPI序列）和文本数据（日志），处理方法主要有基于规则处理、基于统计...
2020-04-04 01:06:53
7146
2
原创 （六）Learning Competitive and Discriminative Reconstructions for Anomaly Detection 异常检测的竞争和判别重构学习
本篇文章发表于2019年AAAI上（1）用半监督的方法进行异常检测；（2）亮点在于不需要阈值，通过更低的重构误差进行分类；（3）作者所用的方法CoRA(Competitive Reconstruction Auto-encoder)，是一个竞争重构自编码器，一个编码器和两个解码器，其中一个解码器学习重建正常数据（正常解码器），另一个学习重建异常数据（异常解码器）文章目录一、论文概括二、相关...
2020-04-04 00:20:55
2800
原创 （五）Cross-dataset Time Series Anomaly Detection for Cloud Systems 云系统跨数据集时间序列异常检测
本篇文章是发表于2019的USENIX会议上，文章目的对时间序列进行异常检测，用的迁移学习+主动学习的方式，对7个数据集进行实验。（1）迁移学习，它将从标记的时间序列数据中学习到的常见异常行为迁移到大量的未标记数据集。通过迁移学习，可以利用数据集之间的共性，并减少目标数据集的标记工作。（2）主动学习，通过在目标数据集中仅标记少量选定样本来提高检测性能。通过主动学习，具有特定特征的多样化数据可以...
2020-04-04 00:05:46
1404
3
原创 （四）MAD-GAN: Multivariate Anomaly Detection for Time Series Data with Generative Adversarial Networks
本篇论文“MAD-GAN：利用GAN对时间序列数据进行多元异常检测”，发表于2019ICANN上，文章主要围绕”异常检测+多元时间序列+网络入侵+GAN“展开，以下是我这几天阅读该篇文章的收获，其中，模型及结构我自己做了一个动画版，动画版我用了很久的时间去理顺作者的思想做出来的，能够更直观明确地表现出该模型的流程，但是我还不太清楚怎么怎么将动画展示在博客中，后期如果学会我会及时更新，如果有小伙伴着...
2020-03-25 20:12:52
8450
29
原创 （三）Detecting Spacecraft Anomalies Using LSTMs and Nonparametric Dynamic Thresholding
熟读这篇英文论文之后，我的一些总结和收获，用中文PPT呈现出来，文章发表于2018年KDD上，围绕“异常检测+神经网络+RNNs+LSTM+航空航天+时间序列+预测”展开，接下来将呈现我对文章脉络的理解和收获，如有不对的地方，敬请指正！文章目录一、论文概括二、相关的研究工作三、作者的研究方法一、论文概括研究对象目标方法结论二、相关的研究工作现有航天器遥测的异常检测技术及缺陷...
2020-03-23 13:44:10
3580
12
原创 （二）Lifelong Disk Failure Prediction via GAN-based Anomaly Detection（2019-IEEE）
该篇论文主要围绕“硬盘故障+数据可靠性+SMART（自我监测分析报告技术）+对抗训练+异常检测”展开，以下是我学习该篇论文的理解分析及收获，如有不正确的地方，敬请批评指正文章目录一、论文概括二、相关研究工作三、论文主体四、与《一种硬盘故障预测的非监督对抗学习方法》论文比较一、论文概括研究对象目标方法结论二、相关研究工作SMART好坏磁盘的SMART对比前人的研究方向：提...
2020-03-20 16:55:02
1022
原创 （一）一种硬盘故障预测的非监督对抗学习方法（2019-西安电子科技大学学报）
该篇论文主要围绕“异常检测+硬盘故障预测+GAN+非监督”展开，以下是个人对整篇文章脉络的整理和理解。文章目录一、论文概括二、相关的研究三、论文主体——提出基于LSTM的非监督对抗学习方法一、论文概括研究对象目的方法结论结果二、相关的研究方法及问题问题的原因分析前人的具体研究方法和结果三、论文主体——提出基于LSTM的非监督对抗学习方法异常检测流程作者所...
2020-03-20 16:34:28
1303
1
原创 This relative module was not found: * ./components/TodeHeader.vue in ./node_modules/babel-loader/lib
This relative module was not found: * ./components/TodeHeader.vue in ./node_modules/babel-loader/lib!./node_modules/vue-报错原因vue的根组件里面引入import的时候粗心打错正确的：import TodoHeader from ‘./components/TodoHea...
2019-11-14 20:57:52
1939
原创 Cannot set up a python SDK at Python 3.7 (detecation) (D:\Anaconda3\python.exe). The SDK seems inva
一、报错这个问题已经不是第一次出现了，可能是前面python的版本没有装好的原因，在新建工程的时候总是出现这样的一个报错问题，每次稀里糊涂配置好了，可是总是出现然后又花大量的时间去回忆是不可取的，在这里系统地了解了下1该报错的问题，并作以总结。Cannot set up a python SDK at Python 3.7 (detecation) (D:\Anaconda3\python....
2019-08-18 00:05:30
25297
5
原创 聚类（二）——KMeans算法（工作面试常用面试题入手）
主要的KMeans算法的原理和应用，在学习典过程中，我们要带着以下几个问题去学习以下问题摘自于https://blog.csdn.net/qq_33011855/article/details/814825111.简述一下K-means算法的原理和工作流程2、K-means中常用的到中心距离的度量有哪些？3、K-means中的k值如何选取?4、K-means算法中初始点的选择对最终结果有...
2019-08-15 17:14:04
7357
原创 聚类（一）——概念、标准、相关算法
主要了解聚类的基本概念、标准以及相关的算法，具体的算法在后期的学习笔记里继续更新，以下纯属在学习完后的个人的表述理解，如有不准确，请指正。一、概念是一种无监督学习的方法，无监督的特点是所有的样本未提前进行标记。聚类是将这些未进行任何标记的样本（数据）通过聚类相关的算法分为几类。聚类是将数据集中的样本划分为多个不相交的子集，每个子集被称为一个“簇”。同一簇的样本尽可能彼此相似，不同的样本尽...
2019-08-09 16:54:04
1213
原创 append（）函数与extend（）函数的区别
两者都是添加元素，但是结果是有差异的，具体如下一、Append（）函数a=[1,2,3]b=[4,5,6]a.append(b)print(a)输出结果：列表得到了第四个元素，而第四个元素也是一个列表，输出的元素个数等于a列表个数+1[1, 2, 3, [4, 5, 6]]二、Extend（）函数a=[1,2,3]b=[4,5,6]a.extend(b)print(a...
2019-08-05 16:51:01
1007
第十六篇论文.pptx
2020-06-05
论文十五 .pptx
2020-05-29
论文十四 .pptx
2020-05-29
第十二篇论文.pptx
2020-05-09
这是第十一篇论文分析的PPT
2020-05-01
第十篇论文PPT.pptx
2020-04-25
第八、九篇论文.pptx
2020-04-17
第七篇论文.pptx
2020-04-16
第五、六篇论文.pptx
2020-04-16
第一、二篇论文.pptx
2020-04-16
汪子璇（四）3.20.pptx
2020-03-25
空空如也
TA创建的收藏夹 TA关注的收藏夹
TA关注的人