华为云计算搬砖工
这个作者很懒,什么都没留下…
展开
-
23. Python
猴子补丁(Monkey Patching)是指在运行时动态修改已有的代码,通常是在不修改原始代码的情况下添加、替换或修改现有的功能。在Python中,由于Python的动态特性,我们可以在运行时修改类、模块或对象的行为,以满足特定的需求或修复问题。这种修改的方式就被称为猴子补丁。原创 2023-11-14 07:43:50 · 131 阅读 · 0 评论 -
22. 传统算法
除了机器学习、深度学习。在这之前,还存在着一些传统算法,其中非常经典的牛顿法、二项插值、傅里叶、滤波算法等等。考察不多,但有必要了解。原创 2023-11-14 07:43:10 · 164 阅读 · 0 评论 -
21. 机器学习——特征工程
特征工程是指在机器学习和数据分析任务中,对原始数据进行转换、选择、提取和创建特征的过程。它是一个关键的步骤,可以显著影响模型的性能和结果。特征工程的目的是通过合理的特征表示,提取数据中的有用信息,减少冗余和噪声,使得机器学习模型能够更好地理解数据并进行准确的预测或分类。数据预处理:在进行特征提取之前,通常需要对原始数据进行预处理。这包括数据清洗、去除噪声、处理缺失值、归一化或标准化等操作,以保证数据的质量和一致性。特征选择:特征选择是从原始特征中选择一部分最有用和相关的特征。原创 2023-11-14 07:42:19 · 111 阅读 · 0 评论 -
20. 机器学习——PCA 与 LDA
机器学习面试题汇总与解析——PCA 与 LDA本章讲解知识点什么是数据降维PCA本专栏适合于Python已经入门的学生或人士,有一定的编程基础。本专栏适合于算法工程师、机器学习、图像处理求职的学生或人士。本专栏针对面试题答案进行了优化,尽量做到好记、言简意赅。这才是一份面试题总结的正确打开方式。这样才方便背诵如专栏内容有错漏,欢迎在评论区指出或私聊我更改,一起学习,共同进步。相信大家都有着高尚的灵魂,请尊重我的知识产权,未经允许严禁各类机构和个人转原创 2023-11-13 13:09:53 · 329 阅读 · 0 评论 -
19. 机器学习——朴素贝叶斯
贝叶斯分类是一类分类算法的总称,这类算法均以贝叶斯定理为基础,故统称为贝叶斯分类。而朴素朴素贝叶斯分类是贝叶斯分类中最简单,也是常见的一种分类方法。朴素贝叶斯(Naive Bayes)是一种基于贝叶斯定理和特征条件独立性假设的分类算法。它通过统计特征在不同类别下的条件概率,来进行分类任务。参考回答朴素贝叶斯是一个基于特征条件独立假设和贝叶斯原理的一种分类算法。朴素贝叶斯通过训练数据得到 X 与 y 的联合分布;之后对于要预测的 X,根据贝叶斯公式,输出后验概率最大的 y。朴素贝叶斯是一种生成式。原创 2023-11-13 13:04:34 · 359 阅读 · 0 评论 -
18. 机器学习——集成学习
机器学习面试题汇总与解析——集成学习本章讲解知识点什么是集成学习AdaBoost梯度提升树(Gradient Boosting Decision Tree, GBDT)随机森林(Random Forest,简称RF)XGBoostLightGBM本专栏适合于Python已经入门的学生或人士,有一定的编程基础。本专栏适合于算法工程师、机器学习、图像处理求职的学生或人士。本专栏针对面试题答案进行了优化,尽量做到好记、言简意赅原创 2023-11-13 12:59:10 · 323 阅读 · 0 评论 -
17. 机器学习——SVM
在深度神经网络 (Deep Neural Network, DNN) 大热之前, 在机器学习里有个明星算法——支持向量机(Support Vector Machine, SVM)。它是昔日的明星,虽然现在没有DNN风光,但它依然是机器学习领域内耀眼的存在,这当然取决于其强大的学习能力。SVM是一种常用且强大的机器学习算法,它在解决分类和回归问题中具有广泛的应用。它的优雅和高效使得它成为机器学习领域的重要工具之一。SVM 的独特之处在于它能够通过在特征空间中寻找最优超平面来进行分类。原创 2023-11-13 12:52:47 · 1057 阅读 · 0 评论 -
16. 机器学习——决策树
决策树是一种基于树形结构的机器学习模型,其灵感源自人类的决策过程。通过对数据进行逐步划分和推理,决策树能够自动学习和生成规则,从而在分类和回归任务中发挥作用。与其他复杂的机器学习算法相比,决策树的优势在于其易于理解和解释性强的特点,使得非专业人士也能够轻松理解和应用。决策树是一种基于树状结构的机器学习模型,用于解决分类和回归问题。它模拟了人类在面对决策时的思考过程,并通过构建一系列决策规则来预测目标变量的值。决策树的构建过程始于根节点,通过对数据的特征进行划分,逐步生成分支和叶节点。原创 2023-11-13 12:49:48 · 986 阅读 · 0 评论 -
15. 机器学习——聚类
聚类算法是一种无监督学习算法,用于将数据集中的样本划分为若干个组或簇,使得同一组内的样本具有较高的相似度,而不同组之间的样本具有较大的差异。聚类算法在数据分析、模式识别、图像处理等领域具有广泛的应用。根据样本之间的距离或者说是相似性(亲疏性),把越相似、差异越小的样本聚成一类(簇),最后形成多个簇,使同一个簇内部的样本相似度高,不同簇之间差异性高。以下是几种常见的聚类算法:K-means 聚类算法:K-means 是一种基于距离的聚类算法。原创 2023-11-13 12:47:00 · 1224 阅读 · 0 评论 -
14. 机器学习——kNN
在学习机器学习的时候,接触的第一个算法大都是 kNN。简言之,kNN 算法计算不同特征值之间的距离对样本进行分类。现在有这么一组数据。上面 6 个样本(电影)分别给出其特征(打斗镜头、拥抱镜头)和标签(电影类型)信息,现在给定一个新的样本,我们想知道这部电影的类型。由于是 2 维数据,我们可以用平面直角坐标系表示。绿色的点是未知的,红色的黄色的点是已知的。kNN 要做的就是计算未知的点到所有已知点的距离,根据距离进行排序。排序后的数据如下,原创 2023-11-13 12:44:56 · 342 阅读 · 0 评论 -
13. 机器学习——回归
机器学习面试题汇总与解析——回归本章讲解知识点什么是回归分析?为什么要使用回归分析?线性回归逻辑回归逻辑回归和 Lasso 回归本专栏适合于Python已经入门的学生或人士,有一定的编程基础。本专栏适合于算法工程师、机器学习、图像处理求职的学生或人士。本专栏针对面试题答案进行了优化,尽量做到好记、言简意赅。这才是一份面试题总结的正确打开方式。这样才方便背诵如专栏内容有错漏,欢迎在评论区指出或私聊我更改,一起学习,共同进步。原创 2023-11-13 12:41:28 · 405 阅读 · 0 评论 -
12. 机器学习——评价指标
在机器学习中,评价指标用于衡量模型的性能和预测结果的准确度。选择适当的评价指标取决于任务的性质,比如分类、回归或聚类等。TPFPFNTN分别为真阳性假阳性和假阴性真阴性。真阳性(True Positive,TP):标签为正类,预测为正类;假阳性(False Positive,FP):标签为负类,预测为正类;假阴性(False Negative,FN):标签为正类,预测为负类;真阴性(True Negative,TN):标签为负类,预测为负类;原创 2023-11-13 08:24:44 · 181 阅读 · 0 评论 -
11. 深度学习——强化学习
强化学习(Reinforcement Learning)是机器学习的一个分支,通过智能体(Agent)与环境的交互学习最优策略来解决问题。在强化学习中,智能体通过观察环境的状态,采取特定的行动,并从环境中获得奖励或惩罚。智能体的目标是通过与环境的交互,学习出使累计奖励最大化的最优策略。简而言之,强化学习,是智能体在与环境的互动当中,为了达成一个目标而进行的学习过程。强化学习在许多领域都有广泛的应用,例如机器人控制、游戏智能、自动驾驶等。原创 2023-11-13 08:21:41 · 542 阅读 · 0 评论 -
10. 深度学习——模型优化
深度学习技术在过去几年中取得了令人瞩目的进展,并在许多领域取得了显著的成果。然而,深度学习模型通常需要大量的计算资源和存储空间,这限制了它们在嵌入式设备上的应用。嵌入式设备如智能手机、物联网设备和无人机等,具有有限的计算能力、内存和功耗要求,因此将深度学习模型应用到这些设备上面临着挑战。然而,随着嵌入式设备的计算能力的提升和深度学习算法的优化,将深度学习模型应用到嵌入式设备的需求也日益增加。嵌入式设备可以通过在本地处理数据和运行深度学习模型,提供实时的智能决策和高度个性化的用户体验。原创 2023-11-13 08:19:38 · 159 阅读 · 0 评论 -
9. 深度学习——GAN
2014 年,Generative Adversarial Networks(GANs)在深度学习领域掀起了一场革命。这场革命产生了一些重大的技术突破。Ian Goodfellow 等人在 “Generative Adversarial Networks” 中提出了生成对抗网络,这篇paper算是这个领域的开山之作。学术界和工业界都开始接受并欢迎 GAN 的到来。GAN 的崛起不可避免。首先,GAN 最厉害的地方是它的学习性质是无监督的。原创 2023-11-13 08:16:16 · 249 阅读 · 0 评论 -
8. 深度学习——NLP
NLP(Natural Language Processing,自然语言处理)是一门研究如何使计算机能够理解、处理和生成人类自然语言的学科。它涉及到文本分析、语义理解、机器翻译、情感分析、问答系统等多个任务。为了解决这些任务,NLP 使用了多种技术和方法,包括词嵌入(word embeddings)、循环神经网络(RNN)、卷积神经网络(CNN)、注意力机制(attention)、序列到序列模型(sequence-to-sequence)、预训练模型(如 BERT、GPT 等)等。原创 2023-11-13 08:06:21 · 354 阅读 · 0 评论 -
7. 深度学习——技术发展
深度学习真正广为人知是 2016 年阿尔法狗战胜围棋高手李世石九段,隔年战胜彼时的世界围棋第一人柯洁。深度学习其实是由机器学习中的神经网络发展而来,而神经网络早在上世纪 50 年代就开始发展了,历经三起两落。提出神经网络的简单模型为第一个高峰。最开始的神经网络只有单层,并且是线性的,所以表示能力有限,解决不了“异或”问题。神经网络进入第一次低潮。上世纪 80 年代,David Rumelhar 和 Geoffery E.Hinton提出了反向传播(back propagation)算法。原创 2023-11-13 07:54:39 · 518 阅读 · 0 评论 -
6. 深度学习——卷积与池化
什么是卷积卷积是很重要的概念,这里我们一定要讲讲。在数学中,称f∗gn(f*g)(n)f∗gn为fgf,gfg的卷积,f∗gn∫−∞∞fτgn−τdτ(.)\tag{.}f∗gn∫−∞∞fτgn−τdτf∗gn∑τ−∞∞fτgn−τ(.)\tag{.}f∗gnτ−∞∑∞fτgn−τ。原创 2023-11-13 07:46:42 · 450 阅读 · 0 评论 -
5. 深度学习——正则化
正则化是在训练机器学习模型时使用的一种技术,旨在减小模型的过拟合(overfitting)风险。过拟合是指模型在训练数据上表现很好,但在未见过的测试数据上表现较差的现象。正则化通过在损失函数中引入惩罚项来限制模型的复杂度,以防止模型过度拟合训练数据。惩罚项会在优化过程中对模型的参数进行调整,以平衡模型的拟合能力和泛化能力。正则化的作用包括:防止过拟合:正则化技术通过限制模型的复杂度,减少模型对训练数据的过度拟合,提高模型在未见过的数据上的泛化能力。原创 2023-11-12 10:12:47 · 478 阅读 · 0 评论 -
4. 深度学习——优化函数
前一篇讲了损失函数,损失函数是用来度量模型预测值和真实值间的偏差,偏差越小,模型越好,所以我们需要最小化损失函数。如何求最小值呢?高中知识告诉我们,对于凸函数可以直接求导可以找到最值,但是神经网络的损失函数往往是非凸函数,我们并不能直接求导。所以优化函数就可以帮助我们解决这个问题,优化函数就是用来最小化我们的损失函数的。优化函数(Optimization Function)是用于训练机器学习模型的算法,用于调整模型的参数以最小化(或最大化)一个定义良好的目标函数。原创 2023-11-12 10:08:35 · 351 阅读 · 0 评论 -
3. 深度学习——损失函数
机器学习面试题汇总与解析——损失函数本章讲解知识点什么是损失函数?为什么要使用损失函数?详细讲解损失函数本专栏适合于Python已经入门的学生或人士,有一定的编程基础。本专栏适合于算法工程师、机器学习、图像处理求职的学生或人士。本专栏针对面试题答案进行了优化,尽量做到好记、言简意赅。这才是一份面试题总结的正确打开方式。这样才方便背诵如专栏内容有错漏,欢迎在评论区指出或私聊我更改,一起学习,共同进步。相信大家都有着高尚的灵魂,请尊重我的知识原创 2023-11-11 10:05:16 · 677 阅读 · 0 评论 -
2. 深度学习——初始化方法
什么是网络参数初始化深度学习中的初始化方法是指在训练神经网络时,对模型的参数进行初始赋值的方法。合适的初始化方法可以加速模型的收敛速度,提高模型的性能。神经网络在训练时,前向传播和反向传播都涉及到每个神经元的权重更新wiw_iwi,也就是我们说的网络参数了,当然这些参数需要一个初始值。方法有很多,全 0 初始、随机初始等等,每个方法都有优缺点。原创 2023-11-11 09:55:46 · 395 阅读 · 0 评论 -
1. 深度学习——激活函数
激活函数是一种用于神经网络和其他机器学习模型中的非线性函数。它被应用于神经网络的每个神经元上,将输入信号进行转换,产生输出信号。激活函数的作用是引入非线性性质,使神经网络能够学习和表示更复杂的函数关系。在神经网络中,每个神经元接收来自上一层神经元的加权输入,然后通过激活函数对这个加权输入进行非线性变换,生成神经元的输出。这个输出被传递到下一层神经元作为输入。激活函数的主要作用有以下几点:引入非线性:激活函数能够将线性变换后的输入转换为非线性输出,使得神经网络具备非线性建模能力。原创 2023-11-10 22:25:26 · 944 阅读 · 0 评论 -
0. 前言与大纲
故事引入专栏介绍作者介绍大纲受众:本教程适合于Python已经入门的学生或人士,有一定的编程基础。本教程适合于算法工程师机器学习求职的学生或人士。湖南大学(985)硕士研究生(1%保研),国家奖学金、省优秀研究生称号获得者。校招面试过数十家公司,经验丰富,获得过华为、京东、顺丰科技等公司 offer。个人面试经历写作为专刊文章,目前为牛客网专刊作者。擅长机器学习、C++后台开发、嵌入式软件开发。非科班研究生。原创 2023-11-10 22:22:15 · 971 阅读 · 0 评论