- 博客(81)
- 收藏
- 关注
RSS订阅原创 jupyter样式更改字体更改宽度占比更改
jupyter样式更改字体更改宽度占比更改加上 -N -T 才能显示下面这俩：要修改输出部分的字体大小，见下图：
2021-04-15 09:11:51
580
原创 pytorch学习01：基础知识
pytorch学习01文章目录pytorch学习011.pytorch便捷之处2.梯度下降算法1.pytorch便捷之处1.快速。2.自动求导。3.常用网络层。2.梯度下降算法
2021-04-09 09:50:14
242
原创 计算机视觉07：图像分类
计算机视觉07：图像分类文章目录计算机视觉07：图像分类1. ILSVRC竞赛2. 常见CNN1. AlexNet3. 应用案例1. ILSVRC竞赛2. 常见CNN1. AlexNet3. 应用案例
2021-03-09 16:34:01
338
1
原创 计算机视觉06：机器学习基础
计算机视觉06：机器学习基础文章目录计算机视觉06：机器学习基础1. 深度学习基础1. 神经网络和深度学习2. 目标函数3. 激活函数4. 学习步长5.SGD（随机梯度下降）问题1.动量2.Adagrad6.2. CNN初步介绍1. 深度学习基础1. 神经网络和深度学习2. 目标函数3. 激活函数4. 学习步长学习步长应该越来越小。5.SGD（随机梯度下降）问题1.动量2.Adagrad陡坡：小心往下走；缓坡：走的大步一些。6.2. CNN初步介绍..
2021-03-04 11:02:52
187
1
原创 计算机视觉05：神经网络与误差反向传播算法
计算机视觉05：神经网络与误差反向传播算法文章目录计算机视觉05：神经网络与误差反向传播算法1. 神经网络1. 前馈神经网络（无反馈）2. Delta学习规则3. 梯度下降4. 权重如何改变5. 示例6.其他梯度下降7.典型的机器学习步骤8.深度学习和神经网络1. 神经网络1. 前馈神经网络（无反馈）2. Delta学习规则权重在改变3. 梯度下降4. 权重如何改变5. 示例6.其他梯度下降7.典型的机器学习步骤8.深度学习和神经网络
2021-03-04 00:34:16
177
1
原创 计算机视觉04：未有深度学习之前
计算机视觉04：未有深度学习之前文章目录计算机视觉04：未有深度学习之前1. 图像分割1.传统图像分割方法2.Graph Cuts2. 人脸检测3. 行人检测1. 图像分割1.传统图像分割方法2.Graph Cuts2. 人脸检测3. 行人检测...
2021-03-03 18:31:10
177
1
原创 计算机视觉03：图像特征与描述
计算机视觉03：图像特征与描述文章目录计算机视觉03：图像特征与描述1. 颜色特征2. 几何特征1. 边缘2.关键点3. Harris角点4. FAST角点5. 斑点3. 基于关键点的特征描述子1.局部特征SIFT2. Haar-like特征3. SURF（简化SIFT）4. ORB（SURF简化了但是还是很复杂）5. LBP（局部二值）6. Gabor1. 颜色特征2. 几何特征1. 边缘但是有好多极值点，但是很多是噪声点2.关键点3. Harris角点
2021-03-03 18:07:35
342
1
原创 计算机视觉02：图像预处理
计算机视觉02：图像预处理文章目录计算机视觉02：图像预处理1.图像显示与存储原理2. 图像增强的目标3. 图像处理办法1.点运算（去雾、增加对比度）2. 形态学运算3.滤波（卷积）4. 图像缩放5. 傅里叶变换6.频率域（对比空间域）1.图像显示与存储原理每个像素的颜色，可以用红、绿、蓝、透明度四个值描述，大小范围都是0 ～ 255，比如黑色是[0, 0, 0, 255]，白色是[255, 255, 255, 255]。通过 Canvas API 就可以拿到这些值。如果把每一行所有像素（上例是4
2021-03-03 00:00:48
1193
2
原创 计算机视觉01：概述
计算机视觉01：概述文章目录计算机视觉01：概述1. 分类与应用2. 感知上的本质差异3. 课程简介4.研究问题1. 分类与应用2. 感知上的本质差异视角会变化：站在不同的角度看一个东西光照的变化：尺度变化：背景混淆干扰：形态变化：猫狗缩成一团遮挡：同一类物体但是他们有很多差异：3. 课程简介4.研究问题...
2021-03-02 16:12:55
214
原创 机器学习深版11：HMM模型
机器学习深版11：HMM模型（隐马尔科夫模型）文章目录机器学习深版11：HMM模型（隐马尔科夫模型）1. 熵（Entropy）2. 最大熵模型3. HMM（隐马尔可夫模型）1. 熵（Entropy）熵是表示物质系统状态的一种度量，用它老表征系统的无序程度。熵越大，系统越无序，意味着系统结构和运动的不确定和无规则。2. 最大熵模型我们在投资时常常讲不要把所有的鸡蛋放在一个篮子里，这样可以降低风险。在信息处理中，这个原理同样适用。在数学上，这个原理称为最大熵原理(the maximum entropy
2021-02-25 10:40:30
356
原创 机器学习深版10：主题模型
机器学习深版10：主题模型TopicModel文章目录机器学习深版10：主题模型TopicModel1. 简介2. 主题分布与词分布1. 两点分布2. 二项分布（伯努利分布）3. 多项式分布3. 参数估计1. 极大似然估计2.贝叶斯估计3. 共轭先验分布4. 形式化LDA1. 简介LDA(Latent Dirichlet Allocation)是一种文档生成模型。它认为一篇文章是有多个主题的，而每个主题又对应着不同的词。一篇文章的构造过程，首先是以一定的概率选择某个主题，然后再在这个主题下以一定的概率
2021-02-23 16:08:44
293
原创 为什么样本方差计算是除以n-1？
为什么样本方差计算是除以n-1？在详细推导过程前，我们先明确以下几个数学符号的概念。n表示可采样的样本数量，xi 表示样本数据，x拔 表示样本均值，μ 表示样本的真实均值，S平方 表示样本实际方差，σ平方 表示样本真实方差，D(x) 表示随机变量x的方差。...
2021-02-21 14:35:53
873
原创 -bash:command not found
-bash:command not found解决方案：export PATH=/usr/local/sbin:/usr/local/bin:/sbin:/bin:/usr/sbin:/usr/bin:/root/bin再echo $PATH 发现 .显示 /usr/local/sbin:/usr/local/bin:/sbin:/bin:/usr/sbin:/usr/bin:/root/bin到上面只会对此次登陆的shell有效，要是永久可用，必须再做如下： 用文本编辑器打开/etc/pr
2021-02-17 11:13:51
571
原创 机器学习：ACC、ROC和AUC
机器学习：ACC、ROC和AUC文章目录机器学习：ACC、ROC和AUC引言ROC简介如何画ROC曲线既然有了ACC为什么要有ROC呢(既生瑜何生亮呢)引言很多时候我们都用到ROC和AUC来评判一个二值分类器的优劣，其实AUC跟ROC息息相关，AUC就是ROC曲线下部分的面积，所以需要首先知道什么是ROC，ROC怎么得来的。然后我们要知道一般分类器会有个准确率ACC，那么既然有了ACC，为什么还要有ROC呢，ACC和ROC的区别又在哪儿，这是我喜欢的一种既生瑜何生亮问题。最后又简单说明了一下有了RO
2021-02-04 20:37:06
762
原创 深度学习模型评估指标
深度学习模型评估指标文章目录深度学习模型评估指标1. 基本指标2. 指标1. 准确率Accuracy2. 精确度Precision和召回率Recall3. F1 score4. 混淆矩阵5. ROC曲线与AUC指标6. TAR，FRR，FAR1. 基本指标标签为正样本，分类为正样本的数目为True Positive，简称TP；标签为正样本，分类为负样本的数目为False Negative，简称FN；标签为负样本，分类为正样本的数目为False Positive，简称FP；标签为负样本，分类为负样
2021-02-04 09:31:02
3149
原创 机器学习深版09：贝叶斯网络
机器学习深版09：贝叶斯网络文章目录机器学习深版09：贝叶斯网络1. 复习1. 信息熵（熵）2. 交叉熵3. 相对熵（KL散度）4. 互信息5. 信息增益6. 概率三公式7. 金条问题2. 朴素贝叶斯以文本分类为例3. 贝叶斯网络一个简单的贝叶斯网络全连接贝叶斯网络正常的贝叶斯网络实际案例分析特殊的贝叶斯网络其他解释说明1. 复习1. 信息熵（熵）**一条信息的信息量大小和它的不确定性有直接的关系。**我们需要搞清楚一件非常非常不确定的事，或者是我们一无所知的事，就需要了解大量的信息。相反，如果我们
2021-01-06 17:20:10
310
原创 2020-12-29题目类型简单
2020-12-29题目类型简单12class Solution(object): def findKthPositive(self, arr, k): """ :type arr: List[int] :type k: int :rtype: int """ ans = [] for i in range(1,(len(arr) + k + 1)): i
2020-12-29 11:22:45
115
原创 机器学习---数学基础加强01
机器学习—数学基础加强01文章目录机器学习---数学基础加强011. 机器学习基础知识2. 高数3. 概率4. 统计数字的概率5.常用分布6.1. 机器学习基础知识模型目标函数参数调整方法超参数的给定2. 高数割线位于函数值的上方3. 概率PDF：概率密度函数4. 统计数字的概率5.常用分布马同学图解：https://blog.csdn.net/ccnt_2012/article/details/81114920新买元器
2020-12-25 10:40:53
89
原创 2020-12-25题目类型：简单
2020-12-25题目类型：简单1请你给一个停车场设计一个停车系统。停车场总共有三种不同大小的车位：大，中和小，每种尺寸分别有固定数目的车位。请你实现 ParkingSystem 类：ParkingSystem(int big, int medium, int small) 初始化 ParkingSystem 类，三个参数分别对应每种停车位的数目。bool addCar(int carType) 检查是否有 carType 对应的停车位。 carType 有三种类型：大，中，小，分别用数字 1，
2020-12-25 09:27:36
136
1
原创 2020-12-24 题目类型：简单
2020-12-24 题目类型：简单1给你两个整数，n 和 start 。数组 nums 定义为：nums[i] = start + 2*i（下标从 0 开始）且 n == nums.length 。请返回 nums 中所有元素按位异或（XOR）后得到的结果。class Solution(object): def xorOperation(self, n, start): """ :type n: int :type start: int
2020-12-24 11:20:20
104
原创 2020-12-23 题目类型：简单
2020-12-23 题目类型：简单1字符串的左旋转操作是把字符串前面的若干个字符转移到字符串的尾部。请定义一个函数实现字符串左旋转操作的功能。比如，输入字符串"abcdefg"和数字2，该函数将返回左旋转两位得到的结果"cdefgab"。class Solution(object): def reverseLeftWords(self, s, n): """ :type s: str :type n: int :rtype: s
2020-12-23 11:22:41
91
原创 机器学习深版08：EM算法
机器学习深版08：EM算法文章目录机器学习深版08：EM算法1. 铺垫2. 问题引入与欧拉解释3. 更加严谨的推导1. 铺垫Jensen不等式：对于凸函数，有以下结论：上图是连续的下图是离散的：2. 问题引入与欧拉解释问题提出：K-means算法可以将数据分成簇，但是却给不出它的后验概率。高斯混合模型GMM，混合高斯分布不是高斯分布。结论是正确的，解释过程略有问题。先验假设对最后的结果会有影响，有时影响是决定性的。GMM实际上是一个多极值的函数，如下图理解：
2020-12-21 10:44:42
143
原创 2020-12-21题目类型：简单
2020-12-21题目类型：简单1给定字符串J 代表石头中宝石的类型，和字符串 S代表你拥有的石头。 S 中每个字符代表了一种你拥有的石头的类型，你想知道你拥有的石头中有多少是宝石。J 中的字母不重复，J 和 S中的所有字符都是字母。字母区分大小写，因此"a"和"A"是不同类型的石头。class Solution(object): def numJewelsInStones(self, J, S): """ :type J: str :typ
2020-12-21 09:01:27
73
原创 2020-12-17 题目类型：简单
2020-12-17 题目类型：简单1给你一个由不同字符组成的字符串 allowed 和一个字符串数组 words 。如果一个字符串的每一个字符都在 allowed 中，就称这个字符串是 一致字符串 。请你返回 words 数组中 一致字符串 的数目。class Solution(object): def countConsistentStrings(self, allowed, words): """ :type allowed: str
2020-12-17 10:08:48
133
原创 2020-12-16 题目类型：简单
2020-12-16 题目类型：简单1给你一个数组 nums ，数组中有 2n 个元素，按 [x1,x2,…,xn,y1,y2,…,yn] 的格式排列。请你将数组按 [x1,y1,x2,y2,…,xn,yn] 格式重新排列，返回重排后的数组。class Solution(object): def shuffle(self, nums, n): """ :type nums: List[int] :type n: int :rty
2020-12-16 10:43:26
112
原创 机器学习深版07：聚类
机器学习深版07：聚类文章目录机器学习深版07：聚类1. 无监督学习2. 聚类1. 相似度/距离计算方法总结2. k-Means算法1.修正2.公式化解释3. 衡量指标4. 已知实际的结果2. 没有标记结果的判断1. 无监督学习相比之前的有监督学习不同。其实是做一个降维。2. 聚类1. 相似度/距离计算方法总结余弦相似度与Pearson相似系数本质上是一样的：2. k-Means算法1.修正希望初始化聚类中心的时候距离就比较远。k-Means++，应用权值和距离更新的一些方
2020-12-16 10:27:18
100
原创 2020-12-15 题目类型：简单
2020-12-15 题目类型：简单1给你一个数组 candies 和一个整数 extraCandies ，其中 candies[i] 代表第 i 个孩子拥有的糖果数目。对每一个孩子，检查是否存在一种方案，将额外的 extraCandies 个糖果分配给孩子们之后，此孩子有 最多 的糖果。注意，允许有多个孩子同时拥有 最多 的糖果数目。class Solution(object): def kidsWithCandies(self, candies, extraCandies):
2020-12-15 09:40:00
115
原创 2020-12-11 题目类型：简单
2020-12-11 题目类型：简单1给你一个整数数组 nums 。如果一组数字 (i,j) 满足 nums[i] == nums[j] 且 i < j ，就可以认为这是一组 好数对 。返回好数对的数目。class Solution(object): def numIdenticalPairs(self, nums): """ :type nums: List[int] :rtype: int """
2020-12-11 10:27:15
110
原创 机器学习深版06：SVM
机器学习深版06：支持向量机SVM文章目录机器学习深版06：支持向量机SVM1. 各种概念分类1. 线性可分的SVM（样本不会在分割面上出现）1. 简单概念2. SVM不同参数3. 深入理解1. 输入数据4. 举例：2. 线性SVM1.原因：2. 基本概念1. 各种概念分类1. 线性可分的SVM（样本不会在分割面上出现）1. 简单概念如何理解这个式子：+1是法线的正方向，-1是法线的负方向2. SVM不同参数伽马越大，越接近曲面，越小越像线性的。c：越大过渡带越窄。3. 深入理解
2020-12-09 11:02:48
106
原创 2020-12-9题目类型：简单
2020-12-9题目类型：简单1给你一个数组 nums 。数组「动态和」的计算公式为：runningSum[i] = sum(nums[0]…nums[i]) 。请返回 nums 的动态和。class Solution(object): def runningSum(self, nums): """ :type nums: List[int] :rtype: List[int] """ ans = [0] *
2020-12-09 09:17:36
120
原创 2020-12-08 题目类型：简单
2020-12-08 题目类型：简单1请你设计一个可以解释字符串 command 的 Goal 解析器 。command 由 “G”、"()" 和/或 “(al)” 按某种顺序组成。Goal 解析器会将 “G” 解释为字符串 “G”、"()" 解释为字符串 “o” ，"(al)" 解释为字符串 “al” 。然后，按原顺序将经解释得到的字符串连接成一个字符串。给你字符串 command ，返回 Goal 解析器 对 command 的解释结果。class Solution(object):
2020-12-08 18:46:34
175
原创 机器学习深版05：XGBoost实践
机器学习深版05：XGBoost实践文章目录机器学习深版05：XGBoost实践1. 泰坦尼克2.毒蘑菇的代码3. 鸢尾花数据4. 葡萄酒5. 读取数据参考文章：https://blog.csdn.net/zhaiax672/article/details/80488242?utm_medium=distribute.pc_relevant_bbs_down.none-task-blog-baidujs-1.nonecase&depth_1-utm_source=distribute.pc_
2020-12-08 16:57:39
85
原创 2020-12-07 题目类型：简单
2020-12-07 题目类型：简单1给你一个 m x n 的整数网格 accounts ，其中 accounts[i][j] 是第 i 位客户在第 j 家银行托管的资产数量。返回最富有客户所拥有的 资产总量 。客户的 资产总量 就是他们在各家银行托管的资产数量之和。最富有客户就是 资产总量 最大的客户。class Solution(object): def maximumWealth(self, accounts): """ :ty
2020-12-07 17:25:33
185
原创 机器学习深版04：提升
机器学习深版04：提升（Boosting）文章目录机器学习深版04：提升（Boosting）1. 分析随机森林的特点2. 提升1. 概念3. GBDT 梯度提升决策树4. XGBoost算法推导1. 定义树的复杂度2. XGBoost中的Boosting Tree模型3. 对目标函数进行改写4. 树结构的打分函数5. Adaboost算法1. 公式推导2.举例：3. 为什么结果会收敛4. 一种理解方式6. 方差与偏差7.补充：目标函数的组成参考文章：https://www.cnblogs.com/j
2020-12-07 16:45:56
316
原创 机器学习深版03：决策树和随机森林
机器学习深版03：决策树和随机森林文章目录机器学习深版03：决策树和随机森林1. 信息熵1. CART（Classification and Regression Trees 分类与回归树）2. 决策树3. Bagging 与 随机森林1. 信息熵1. CART（Classification and Regression Trees 分类与回归树）2. 决策树3. Bagging 与 随机森林...
2020-12-05 09:35:32
186
原创 机器学习深版02：回归
机器学习深版02：回归文章目录机器学习深版02：回归1. 线性回归1. 高斯分布（正态分布）2. 假设3. 最小二乘法的本质4. 岭回归（Ridge回归）5. LASSO6. ElasticNet7. 机器学习与数据使用8. SVD计算矩阵的广义逆9. 梯度下降1. BGD:批量梯度下降算法2. SGD（随机梯度下降）3. mini-batch-SGD2. Logistic回归3. 多分类：Softmax1. 线性回归1. 高斯分布（正态分布）2. 假设应该是正确的，而不是绝对正确只是接近
2020-11-27 11:12:45
94
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