自定义博客皮肤VIP专享

*博客头图:

格式为PNG、JPG,宽度*高度大于1920*100像素,不超过2MB,主视觉建议放在右侧,请参照线上博客头图

请上传大于1920*100像素的图片!

博客底图:

图片格式为PNG、JPG,不超过1MB,可上下左右平铺至整个背景

栏目图:

图片格式为PNG、JPG,图片宽度*高度为300*38像素,不超过0.5MB

主标题颜色:

RGB颜色,例如:#AFAFAF

Hover:

RGB颜色,例如:#AFAFAF

副标题颜色:

RGB颜色,例如:#AFAFAF

自定义博客皮肤

-+
  • 博客(17)
  • 资源 (1)
  • 收藏
  • 关注

原创 python读取串口数据,并保存到数据库

import MySQLdb//定义引用数据库的驱动文件import serialimport timeser = serial.Serial('/dev/ttyATH0', 115200, timeout=65)//读串口while True:data = ser.readline()print repr(data)//输出读到的数据conn=MySQLdb.connect(hos...

2018-04-18 14:39:05 6030 2

原创 信息熵、条件熵、相对熵

以前在学习通信原理,信息论时都学习过这样的原理,但是不能从根本理解这样的公式有什么用,能解决什么问题。例如,笔者最近在看用信息论里条件熵来检测图像视频的显著性,一直就不明白这两样东西怎么就放在一块了。后面在《数学之美》,在书中看到了这些公式能够解释什么问题时,才有所领悟~~~1,信息熵(Entropy)     公式大家都不陌生吧:P(x)是变量出现的概率;以前我们可以就学到此就为止了,那个信息熵...

2018-04-17 14:35:17 776

原创 京东金融登录行为识别赛题总结

一、对数据以及文件进行说明如下评判标准如下(这个式子是求F1公式的变形)二、特征工程1、由于比赛中提供了两张表,所以第一步需要将将两张表联系起来。采用的是将每个用户的交易记录与距离该交易记录时间最短的一次成功登录记录进行关联2、针对登录时间戳,登录时长与交易时长,发现在午夜发生风险的可能比较大,取时间戳的小时数作为一个特征。3、取用户发生交易的时间与用户用户的登录时间戳(前提是同一个id)取差值,...

2018-04-16 22:00:58 1662 1

原创 天池AI大赛 智能制造预测赛题

一、赛题与要求的简单介绍   (多特征少样本问题)          本次比赛提供的是生产线上不同工序的生产数据(具体代表什么含义未可知),通过这些数据构建特征,设计模型,预测与之对应的生产数值。评判标准采用MSE,计算单个样本预测值与真实值的差距,再对所有样本进行MSE求和,最后取平均作为评判标准。二、数据描述     数据包括ID列、工具列和数据列,他们有自己的命名格式。数据从形式上主要按照工...

2018-04-16 15:01:44 1520

原创 剪绳子问题代码(动态规划问题)

问题描述:给出一个长度为n的绳子,随便怎么剪,求如何操作使得剪出每段绳子的长度乘积能达到最大?#include <iostream>using namespace std;int maxproduct(int length){ int *product=new int[length+1]; if(length<2) return 0; if(length==2)ret...

2018-04-14 15:13:34 873

原创 寻找数组中的任意一个重复数并输出

描述:数组长度为n,数据范围为1到n解法1:先排序#include <iostream>#include <vector>#include <algorithm>using namespace std;int main(){ int n; cin>>n; int temp; vector<int>nums; for(i...

2018-04-11 10:48:57 453

原创 C++中数组与指针的区别

通过下面的代码就可以说明问题:int getsize(int data[]){ return sizeof(data);}int_tmain(int argc,_TCHAR *argv[]){ int data1[]={1,2,3,4,5}; int size1=sizeof(data1); int *data2=data1; int size2=s...

2018-04-10 22:06:57 325

原创 ros运行小乌龟

第一步第二步第三步通过上下左右键控制小乌龟。更多的学习内容将在后续进行陆续整理。

2018-04-10 13:42:45 772

原创 如何快速判断一个数是不是2的幂

 (number & number - 1) == 0 原因:因为2的N次方换算是二进制为10……0这样的形式(0除外)。与上自己-1的位数,这们得到结果为0。例如。8的二进制为1000;8-1=7,7的二进制为111。两者相与的结果为0。计算如下:         1000     & 0111        -------        0000使用递归来实现的代码如下:#in...

2018-04-09 23:01:46 256

原创 linux常用指令总结

mkdir filename 在当前路径创建一个文件夹rm filename 删除当前路径下的某个文件,不是文件夹rm -rf filename 递归的删除文件,可以用来删除当前路径下的某个文件夹pwd 显示当前路径下的文件http://www.runoob.com/linux/linux-vim.html...

2018-04-09 10:48:00 152

原创 ROS安装教程以及安装过程遇到的坑

写之前说明:部分内容参考了博客园作者小萌是个球  https://www.cnblogs.com/liu-fa/p/5779206.html  ros安装的官方教程如下   http://wiki.ros.org/ROS/Installation首先,安装的时候为了尽可能避开一些坑,所以尽量选择使用双系统安装,尽量不要使用虚拟机。不同版本的ubuntu对应的ROS版本,整理如下:如果ros版本与u...

2018-04-08 20:19:05 2470

原创 关于过拟合的通俗介绍

简单一句话,过拟合就是在训练集上表现比较好,在测试集上表现很差的一种现象。如下图所示:图三过度的拟合了训练数据,而没有考虑到模型的泛化能力,在训练集上的准确率和开发集上的准确率画在一个图上如下:图片引用来自吴恩达课程。发生过拟合的主要原因主要有下面三点:1.数据有噪声2.训练数据太少,有限的训练数据3.训练模型过度导致模型非常复杂往往我们的模型是在训练数据有限的情况下,找出使损失函数最小的最优模型...

2018-04-04 14:44:30 460

原创 与sigmoid函数对应的softmax函数的应用

        softmax函数的本质就是将一个K维的任意实数向量压缩(映射)成另一个K维的实数向量,其中向量中的每个元素取值都介于(0,1)之间。softmax函数形式如下:其中j=1,2,...,Ksoftmax函数经常用在神经网络的最后一层,作为输出层,进行多分类。此外,softmax在增强学习领域内,softmax经常被用作将某个值转化为激活概率,这类情况下,softmax的公式如下:其...

2018-04-02 16:25:02 807

原创 关于隐马尔科夫模型

常常用于分词、词性标注、命名实体识别等问题序列标注问题。一、什么是隐马尔科夫模型隐马尔科夫模型是关于时序的概率模型,描述一个隐藏的马尔科夫链随机生成不可观测的状态随机序列,再由各个状态生成一个状态观测而产生观测随机序列的过程。隐藏的马尔科夫链随机生成的状态的序列,称为状态序列;每个状态生成一个观测,而由此产生的观测随机序列称为观测序列。序列的每一个位置又可以看作成一个时刻。设Q是所有可能状态的集合...

2018-04-02 15:59:09 319

原创 支持向量机SVM(2)之核函数

在上一篇中,一切的推导都是基于上图这种类型,建立在数据分布是线性可分的情况,然而很多情况下都不是线性可分的。例如下图这种情况。从图中可以看出,无论哪一条线都无法将两类点分开。这个时候就要引入核函数的概念了。三、核函数上一篇文章中最后推导得到了:现在我们把它们带入到分界方程:如果我们已经求出了α与b,那么y可以写成仅仅依赖xi与xj的矢量积形式,这一点非常关键。很多时候我们需要从数据中挖掘出新的特征...

2018-04-02 11:28:56 2276

原创 常用的排序算法复杂度总结

图片来自于word截图

2018-04-01 16:12:34 189

原创 支持向量机SVM(1)

SVM非常强,可用于分类、也可用于拟合,本篇简单介绍他的原理以及推导一、线性可分:这三条直线都可以将两类不同的点区分开,那么选那条线区分效果最好呢?      直观的看起来是a,因为相比之下b与c离样本中的一些点太近了,很难有绝对把握说这个点在超平面的这边或者那边就一定是不同的类,因为超平面稍微一动就会改变这些点的分类属性。所以,应该使得产平面距离不同类的点尽可能大,这也就是最大函数距离的由来。 ...

2018-04-01 16:09:22 269

hands on machine learning with sklearn and tensorflow

机器学习sklearn 与tensorflow使用的入门教程 机器学习sklearn 与tensorflow使用的入门教程机器学习sklearn 与tensorflow使用的入门教程机器学习sklearn 与tensorflow使用的入门教程

2018-04-10

空空如也

TA创建的收藏夹 TA关注的收藏夹

TA关注的人

提示
确定要删除当前文章?
取消 删除