Taoye | 玩世不恭的Coder

在正式介绍神经网络之前，我们先对上篇文章中的感知器内容做个简短的回顾：我们首先介绍了什么是感知器，直观上看到了感知器的基本结构以及能做些什么。其次，通过感知器详细讲解了与门的实现原理，并通过数学公式化（梯度下降算法）来剖析了参数的训练过程，之后以代码形式实现了与门的逻辑电路，最终同理得到与非门和或门的实现结果。此外，在第二节的最后，我们还抛出了单层感知器无法解决亦或门的问题，从而为第三节提供“引子”。最后，我们发现其实可以通过逻辑电路组合的形式来实现异或门，在模型结构中，也就是以一种多层感知器来解决的亦或

手撕机器学习系列文章就暂时更新到此吧，目前已经完成了支持向量机SVM、决策树、KNN、贝叶斯、线性回归、Logistic回归，其他算法还请允许Taoye在这里先赊个账，后期有机会有时间再给大家补上。更新至此，也是收到了部分读者的好评。虽然不多，但还是非常感谢大家的支持，希望每一位阅读过的读者都能够有所收获。该系列文章的全部内容都是Taoye纯手打，也是参考了不少书籍以及公开资源，系列总字数在15W左右（含源码），总页数为138，后期会再慢慢填补，更多的技术文章可以来访Taoye的公众号：玩世不恭的Co

在手撕机器学习系列文章的上一篇，我们详细讲解了线性回归的问题，并且最后通过梯度下降算法拟合了一条直线，从而使得这条直线尽可能的切合数据样本集，已到达模型损失值最小的目的。在本篇文章中，我们主要是手撕Logistic回归，这个在李航老师的《统计学习方法》一书中也叫做为逻辑斯谛回归。听到回归一词，有的读者可能会想，上一篇线性回归求解的是拟合问题，这篇文章手撕的是Logistic回归，会不会也是一个拟合问题？只不过使用到的算法原理不同而已，而求解的问题是一致的？？？其实不然，Logistic回归模型是一种广义

《Machine Learning in Action》—— 浅谈线性回归的那些事手撕机器学习算法系列文章已经肝了不少，自我感觉质量都挺不错的。目前已经更新了支持向量机SVM、决策树、K-近邻（KNN）、贝叶斯分类，读者可根据以下内容自行“充电”（持续更新中）：《Machine Learning in Action》—— 剖析支持向量机，单手狂撕线性SVM： https://www.zybuluo.com/tianxingjian/note/1755051《Machine Learning in A

概率论，可以说是在机器学习当中扮演了一个非常重要的角色了。Taoye对概率论知识的掌握目前也还仅仅只是停留在本科期间所接触到的，而且还都已经忘了不少。快速的复习回顾一下之后，用来理解机器学习中的贝叶斯算法，还是足够的。手撕机器学习系列文章目前已经更新了支持向量机SVM、决策树、K-近邻（KNN），现在我们来玩玩贝叶斯算法，其他机器学习系列文章可根据自己需求来食用（持续更新中）：《Machine Learning in Action》—— 剖析支持向量机，单手狂撕线性SVM： https://www.z

《Machine Learning in Action》—— 女同学问Taoye，KNN应该怎么玩才能通关女同学问Taoye，KNN应该怎么玩才能通关？？？某问得，给这位妮子安排上！这篇是机器学习系列文章所涉及到的第六篇文章了，前面已经介绍过了支持向量机SVM以及决策树算法，一个躲在小房间里认真阅读过的读者应该对他们都有了一定的认识，算法的过程和原理也都大致了解了。这篇文章我们来看看K-近邻（KNN）算法，关于KNN算法，由于比较的简单，没有SVM那么复杂的公式和过程，所以会肝一篇文章来结束。更多机

说在前面： 前几天，公众号不是给大家推送了第二篇关于决策树的文章嘛。阅读过的读者应该会发现，在最后排版已经有点乱套了。真的很抱歉，也不知道咋回事，到了后期Markdown格式文件的内容就解析出现问题了，似乎涉及到Latex就会多多少少排版错乱？？？暂时也没什么比较好的解决办法，如果有朋友知道的可以联系下Taoye，长时间用Markdown + Latex码文已成习惯了，关于机器学习文章的内容，更好的阅读体验，大家可以跳转至我在Cmd Markdown平台发布的内容，也可前往我的掘金主页，阅读体验都是不错的，

《Machine Learning in Action》—— 小朋友，快来玩啊，决策树呦在上篇文章中，《Machine Learning in Action》—— Taoye给你讲讲决策树到底是支什么“鬼”主要讲述了决策树的理论内容，介绍了什么决策树，以及生成决策树时所需要优先选取的三种决策标准。有学习的过SVM，或阅读过Taoye之前写的几篇SVM内容的文章可以发现，决策树相对于SVM来讲要简单很多，没有太多且复杂的公式推导。我们在把之前的内容稍微回顾下：属性特征的信息增益越高，按道理来讲应当被优

《Machine Learning in Action》—— Taoye给你讲讲决策树到底是支什么“鬼”前面我们已经详细讲解了线性SVM以及SMO的初步优化过程，具体可看：《Machine Learning in Action》—— 剖析支持向量机，优化SMO《Machine Learning in Action》—— 剖析支持向量机，单手狂撕线性SVM关于SVM非线性相关的内容，我们留着下个星期来撕这篇文章我们先来看看决策树的内容，决策树相对于SVM来讲要简单不少，也没有多么复杂的公式。我理

《Machine Learning in Action》—— 剖析支持向量机，优化SMO薄雾浓云愁永昼，瑞脑销金兽。愁的很，上次不是更新了一篇关于支持向量机的文章嘛，《Machine Learning in Action》—— 剖析支持向量机，单手狂撕线性SVM。虽然效果还算不错，数据集基本都能够分类正确，模型训练效率的话也还说的过去，但这是基于我们训练样本数据集比较少、迭代次数比较少的前提下。假如说我们数据集比较大，而且还需要迭代不少次数的话，上一篇文章中使用到的SMO算法的效率可就不敢恭维了，训练

《Machine Learning in Action》—— 剖析支持向量机，单手狂撕线性SVM前面在写NumPy文章的结尾处也有提到，本来是打算按照《机器学习实战 / Machine Learning in Action》这本书来手撕其中代码的，但由于实际原因，可能需要先手撕SVM了，这个算法感觉还是挺让人头疼，其中内部太复杂了，涉及到的数学公式太多了，也涉及到了许多陌声的名词，如：非线性约束条件下的最优化、KKT条件、拉格朗日对偶、最大间隔、最优下界、核函数等等，天书或许、可能、大概就是这样的吧。记

LeetCode 热题 HOT 100（05，正则表达式匹配）不够优秀，发量尚多，千锤百炼，方可成佛。算法的重要性不言而喻，无论你是研究者，还是最近比较火热的IT 打工人，都理应需要一定的算法能力，这也是面试的必备环节，算法功底的展示往往能让面试官眼前一亮，这也是在大多数竞争者中脱颖而出的重要影响因素。然而往往大多数人比较注重自身的实操能力，着重于对功能的实现，却忽视了对算法能力的提高。有的时候采用不同的算法来解决同一个问题，运行效率相差还是挺大的，毕竟我们最终还是需要站在客户的角度思考问题嘛，能给.

LeetCode 热题 HOT 100（06，盛最多水的容器）题目：盛最多水的容器（难度中等）给你 n 个非负整数 a1，a2，…，an，每个数代表坐标中的一个点 (i, ai) 。在坐标内画 n 条垂直线，垂直线 i 的两个端点分别为 (i, ai) 和 (i, 0) 。找出其中的两条线，使得它们与 x 轴共同构成的容器可以容纳最多的水。说明：你不能倾斜容器。来源：力扣（LeetCode）链接：https://leetcode

print( "Hello，NumPy！" )学习痛苦啊，今天学，明天丢。这种天气，还是睡觉最舒服了。咱说归说，闹归闹，但还是得学才行啊。之前在学习的过程中一直都有记录笔记的习惯，但笔记质量可不敢恭维，大多都未曾整理，不过拿来复习倒是个不错的选择。自打接触Python以来，写的最多的就是爬虫了，什么网络小说啊，虚拟游戏币啊，考试题库啊之类的都有写过，也帮别人爬过不少网站公开数据。之前也整理过一篇爬虫相关的文章（太懒了，才一篇，之后有机会有时间，再整理出来吧）：网络爬虫之页面花式解析再之后的话

LeetCode 热题 HOT 100（02，无重复字符的最长子串）不够优秀，发量尚多，千锤百炼，方可成佛。算法的重要性不言而喻，无论你是研究者，还是最近比较火热的IT 打工人，都理应需要一定的算法能力，这也是面试的必备环节，算法功底的展示往往能让面试官眼前一亮，这也是在大多数竞争者中脱颖而出的重要影响因素。然而往往大多数人比较注重自身的实操能力，着重于对功能的实现，却忽视了对算法能力的提高。有的时候采用不同的算法来解决同一个问题，运行效率相差还是挺大的，毕竟我们最终还是需要站在客户的角度思考问题嘛.

作者：玩世不恭的Coder时间：2020-03-13说明：本文为原创文章，未经允许不可转载，转载前请联系涛耶网络爬虫之页面解析文章目录网络爬虫之页面解析前言一、Beautiful Soup就该这样使用节点选择数据提取Beautiful Soup小结二、XPath解析页面节点选择数据提取XPath小结三、pyquery入门使用节点选择数据提取pyquery小结四、腾讯招聘网解析实战网页...

基于Ubuntu+Python+Tensorflow+Jupyter notebook搭建深度学习环境前言如今，人工智能、深度学习等高深知识逐渐融入大家的视野，小大验证码的识别，大到无人驾驶技术等都离不开深度学习。迎合时代的脚步，跟上技术的潮流，开始学习深度学习首先需要搭建深度学习环境。搭建环境的方式也有不少，本文主要是介绍，基于Ubuntu+Python+Tensorflow+Jupyter...

前言With the rapid development of the Internet，越来越多的信息充斥着各大网络平台。正如《死亡笔记》中L·Lawliet这一角色所提到的大数定律，在众多繁杂的数据中必然存在着某种规律，偶然中必然包含着某种必然的发生。不管是我们提到的大数定律，还是最近火热的大数据亦或其他领域都离不开大量而又干净数据的支持，为此，网络爬虫能够满足我们的需求，即在互联网上按照我...