Clara算法的总结
https://blog.csdn.net/u013834836/article/details/41214709
机器学习:基于层次的聚类算法
https://cloud.tencent.com/developer/article/1005205
聚类(1)——混合高斯模型 Gaussian Mixture Model
https://blog.csdn.net/jwh_bupt/article/details/7663885
【纯干货】无监督核心聚类算法
http://www.sohu.com/a/232571665_100178754
发表在 Science 上的一种新聚类算法
https://blog.csdn.net/itplus/article/details/38926837
SOINN
自组织增量学习
https://blog.csdn.net/u013468614/article/details/58586577
http://www.doc88.com/p-2856922858896.html
http://www.docin.com/p-1334629076.html
机器学习基础--各种学习方式(30)--增量学习
https://blog.csdn.net/wydbyxr/article/details/81327590
SVM中,高斯核为什么会把原始维度映射到无穷多维?
https://blog.csdn.net/guo1988kui/article/details/80207551
自适应共振网络(ART)应用研究
https://blog.csdn.net/yongjinjiang/article/details/79644213
简述深度学习预训练和正则化
https://blog.csdn.net/tianguiyuyu/article/details/80429787
机器学习中的范数与稀疏性
https://www.jianshu.com/p/8025b6c9f6fa
聚类方法:DBSCAN算法研究(1)--DBSCAN原理、流程、参数设置、优缺点以及算法
https://blog.csdn.net/zhouxianen1987/article/details/68945844
DBSCAN综述
http://www.docin.com/p-977053064.html
Nearest Neighbors ( 最近邻 )
http://cwiki.apachecn.org/pages/viewpage.action?pageId=10814121
numpy中的delete删除数组整行和整列的实例
https://www.jb51.net/article/139764.htm
用Python读取和写入Excel
https://cloud.tencent.com/developer/news/304427
Python实现快速傅里叶变换(FFT)
https://blog.csdn.net/ouening/article/details/71079535
Python random模块(获取随机数)常用方法和使用例子
https://www.jb51.net/article/50066.htm
subplot和subplots绘制子图
https://blog.csdn.net/sinat_35930259/article/details/80002213
Tensorflow 损失函数(loss function)及自定义损失函数(三)
https://blog.csdn.net/limiyudianzi/article/details/80697711
Python super() 函数
https://www.runoob.com/python/python-func-super.html
AE、DAE
https://blog.csdn.net/qq_36829947/article/details/79079537
Keras保存与加载模型(JSON+HDF5)
https://blog.csdn.net/sun___M/article/details/83587096
Python3.7 - Argparse模块讲解
https://www.jianshu.com/p/00425f6c0936
batch size的作用及如何设置
https://blog.csdn.net/wangmengmeng99/article/details/82460437
注意力机制的基本思想和实现原理(
https://blog.csdn.net/hpulfc/article/details/80448570
【强化学习】Q-Learning算法详解
https://www.jianshu.com/p/29db50000e3f
Deep Q-Learning
https://blog.csdn.net/LagrangeSK/article/details/80321265
https://www.cnblogs.com/pinard/p/9714655.html
Python模块(跨目录)调用总结
python模块中__init__.py的作用(__init__.py(可为空) 的父目录和同一级目录位置的py文件可以作为模块导出)
用append()方法进行追加,..表示回到上一级目录中去
-
import sys
-
sys.path.append('..')
要调用B里面的文件,只需要找到B的绝对路径,假设是C:\Users\ModPython\B,那append就这么写:
sys.path.append('C:\\Users\\ModPython')
tensorflow sess.run() 随感
https://blog.csdn.net/lcczzu/article/details/91449731
详解 TensorFlow 训练多个loss函数技巧: 训练步骤,冻结部分层
https://blog.csdn.net/zseqsc_asd/article/details/90673255
keras入门多输入多输出模型
https://blog.csdn.net/weixin_40920290/article/details/80917353
西储大学轴承数据解读
https://www.cnblogs.com/gshang/p/10712809.html
对全局平均池化(GAP)过程的理解
ROC曲线详解(ROC是由连续阈值形成的曲线,模型已经固定但可以通过改变阈值来改变结果)
https://blog.csdn.net/qq_26591517/article/details/80092679
FPR = FP/(FP + TN) 判别为负样本中的错误率
TPR = TP/(TP + TN) 判别为正样本中的正确率 极限为 1,1
Python向信号中添加不同强度dB的噪音(给定信号或者高斯白)
https://blog.csdn.net/weixin_44191286/article/details/86437924
下为高斯白
def wgn(x, snr):
Ps = np.sum(abs(x)**2)/len(x)
Pn = Ps/(10**((snr/10)))
noise = np.random.randn(len(x)) * np.sqrt(Pn)
signal_add_noise = x + noise
return signal_add_noise
FFT结果的物理意义
http://blog.sina.com.cn/s/blog_640029b301010xkv.html
第n个点所表示的频率为Fn=(n-1)*Fs/N。假设采样频率为Fs,信号频率F,采样点数为N。那么FFT
之后结果就是一个为N点的复数。 由于对称性,我们只取一半
形象易懂讲解算法I——小波变换
http://www.elecfans.com/emb/xitong/20180113615088.html
这篇文章能让你明白经验模态分解(EMD)——基础理论篇
https://zhuanlan.zhihu.com/p/40005057
https://blog.csdn.net/fengzhuqiaoqiu/article/details/101157527
短时傅立叶变换、Wigner-Ville和小波分析的区别?
http://blog.sina.com.cn/s/blog_8a358aed010106dy.html
Wigner-Ville分布()时频分析
https://wenku.baidu.com/view/c1d6242e453610661ed9f4f0.html
https://www.cnblogs.com/jiangleads/p/9462087.html
EEMD详解
https://blog.csdn.net/liu_xiao_cheng/article/details/83897034
非周期离散傅里叶变换
卷积算法另一种高效实现,as_strided详解
https://zhuanlan.zhihu.com/p/64933417
要点每一个维度首元素的跨越位数
为什么样本方差(sample variance)的分母是 n-1?
利用样本方差估计总体方差需要用总体的均值,样本均值的引入使得只要样本均值不等于总体均值,样本方差就小于使用总体均值的总体方差
https://www.zhihu.com/question/20099757
基于Python的t检验实践篇 (1)
keras CAM和Grad-cam原理简介与实现(CNN可视化)
https://blog.csdn.net/weixin_40955254/article/details/81191896
CAM原理解释 (对应羊驼类的N 个(filter的数量)GAP值 与对应features map 相乘 ,再相加 得到最终的CAM图像)
grad CAM原理解释(已有确定的X,输入计算y到最后一张图的每个像素点的偏导,在求整张图偏导的全局平均,即得到类似GAP,再与CAM步骤一致)
https://zhuanlan.zhihu.com/p/83456743
动态时间规整—DTW算法
Wilcoxon 检验之 rank-sum 与 signed-rank
Wilcoxon 检验之 rank-sum :用于检验两个数据集是否来自相同分布的总体(不要求数据集大小相同)
Wilcoxon 检验之 signed-rank :它成对的检查 2 个数据集中的数据(即 paired difference test)来判断 2 个数据集是否来自相同分布的总体。
https://blog.csdn.net/chikily_yongfeng/article/details/82255575
假设检验:
原假设:无显著差异 备择假设:有显著差异
假设检验会得到两个值(T,p)
p为接受原假设的概率
选择α 查询T临界表 ,如果 T小于对应n的表值,以α的显著水平拒绝原假设
模型融合之Stacking方法
https://blog.csdn.net/qq_15111861/article/details/81557489
深度学习——循环神经网络/递归神经网络(RNN)及其改进的长短时记忆网络(LSTM)
Variational Inference 变分推断推导
https://www.jianshu.com/p/76e0ad0d8778
https://wenku.baidu.com/view/36fd9d6adbef5ef7ba0d4a7302768e9950e76e59.html
http://i.youku.com/u/UMzIzNDgxNTg5Ng
什么是蒙特卡罗 Dropout(Monte-Carlo Dropout)?
https://www.zhihu.com/question/352302787
Keras中 LSTM return_sequences和return_state、 timedistribute有什么用?
https://zhuanlan.zhihu.com/p/135991731
如何堆叠多层LSTM网络——长短期记忆(LSTM)系列_LSTM的建模方法(2
https://blog.csdn.net/yangwohenmai1/article/details/84874197
keras 获取中中间层输出
https://www.jb51.net/article/187170.htm
gitub安装本地包经验(1可行)
1. 从github(或者其他来源)中下载zip
解压后里面有一个setup.py的文件
在命令行中进入解压路径,输入python setup.py install
本地安装
如果上述都不可行,尝试下载后进行本地安装(zip/.tar.gz)
1. 从github(或者其他来源)中下载zip
解压后里面有一个setup.py的文件
在命令行中进入解压路径,输入python setup.py install
然后会出现dist文件夹,其中会生成一个.tar.gz类型文件,后续同下种方式
2. 下载.tar.gz类型文件
根据文件的绝对路径执行命令conda install --use-local pkg
其中,pkg为绝对路径
最佳聚类实践:高斯混合模型(GMM)
https://zhuanlan.zhihu.com/p/81255623?utm_source=wechat_timeline
什么是消融实验(Ablation experiment)?
笔者第一次见到消融实验(Ablation experiment)这个概念是在论文《Faster R-CNN》中。
消融实验类似于“控制变量法”。
假设在某目标检测系统中,使用了A,B,C,取得了不错的效果,但是这个时候你并不知道这不错的效果是由于A,B,C中哪一个起的作用,于是你保留A,B,移除C进行实验来看一下C在整个系统中所起的作用。
Matplotlib中的fill_between总结
https://blog.csdn.net/kabuto_hui/article/details/84979606
python对excel操作获取某一列,某一行的值,对某一列信息筛选
https://blog.csdn.net/weixin_43245453/article/details/90747259