qq_40345544的博客

1.使用Windows键+ R键盘快捷键打开运行命令。2.键入regedit.exe，然后单击确定以打开注册表。3.浏览以下路径：HKEY_LOCAL_MACHINE/SOFTWARE/Policies/Microsoft/Windows Defender4.右键单击Windows Defender（文件夹）键，选择新建，然后单击DWORD（32位）值。5.将密钥命名为DisableAntiSpyware，然后按Enter键。6.双击新创建的键并将值设置为0到1。7.点击OK。8.右键单击W

Git Bash方法1.首先将想要同步的项目创建在本地仓库中之前也不知道是咋想的，把本地仓库放在了，C:\Users\许诺\source这个目录下，结果，每次同步或者从github上面clone代码的时候就进入了这个默认目录，导致目录文件混乱。开始的时候我还不知道这些带"."的文件是干什么的，后来知道了这是仓库中的一些文件。而把目录设置成这个样子的一大致命缺点就是，当电脑中从“桌面”，或者“下...

对阅读的十八篇深度多标签论文进行简要叙述。十三、 2019-CVPR-Visual Attention in Multi-Label Image Classification本篇文章提出了一个新的网络去解决多标签问题，该网络结合了多标签图像的分类特征（the features for classification）和图像的视觉显著性特征（如同人对不同图像的注意区域是不同的）（image sali...

对阅读的十九篇深度多标签论文进行简要叙述。七、 2017-ICCV-Multi-label Image Recognition by Recurrently Discovering Attentional Regions本文和上一篇文章十分相似，差别在于那个中间层，上一篇文章是用大量Caption/labels提供给中间层，让CNN输出的feature更加有semantic meaning，而...

1、表示学习首先给出表示学习的定义：为了提高机器学习系统的准确率，我们就需要将输入信息转换为有效的特征，或者更一般性称为表示（Representation）。如果有一种算法可以自动地学习出有效的特征，并提高最终机器学习模型的性能，那么这种学习就是可以叫做表示学习（Representation Learning）。表示学习的关键是解决语义鸿沟（Semantic Gap）问题。语义鸿沟问题是指输...

一、前言2013年，Bengio等人发表了关于表示学习的综述。最近拜读了一下，要读懂这篇论文还有很多文献需要阅读。组会上正好报了这篇，所以在此做一个总结。二、表示学习发展由来当我们学习一个复杂概念时，总想有一条捷径可以化繁为简。机器学习模型也不例外，如果有经过提炼的对于原始数据的更好表达，往往可以使得后续任务事倍功半。这也是表示学习的基本思路，即找到对于原始数据更好的表达，以方便后续任务（比...

一、 2016-CVPR-CNN-RNN-A Unified Framework for Multi-label Image Classification多标签处理，CNN和RNN的结合It contains two parts:The CNN part extracts semantic representations from images; the RNN part models i...

c05_mbr.asm ;代码清单5-1 ;文件名：c05_mbr.asm ;文件说明：硬盘主引导扇区代码 ;创建日期：2011-3-31 21:15 mov ax,0xb800 ;指向文本模式的显示缓冲区 mov es,ax ...

最终安装版本：Unity 2017.1.0f3 (64-bit) + installer_r24.4.1-windows(Android SDK) + JAVA 8一开始装Unity2018发现版本有问题，没办法build and run，Unity 2017采用Personal版本无需License激活，注册个号就能用(支持微信)。Android只认证JAVA8，之前装的JAVA10不行，换...

现在是2019/9/17，本学期刚开始发现压力不是很大，想尽快提升一下编程能力，于是乎准备开始Leetcode之旅，争取一天一题，根据时间，安排学习其他人的方法。771.宝石与石头(哈希表)class Solution {public: int numJewelsInStones(string J, string S) { set<int> s; for (int i ...

1.中断（interrupt）、异常（exception）、陷入（trap）中断Interrupt：是为了设备与CPU之间的通信。典型的有如服务请求，任务完成提醒等。比如我们熟知的时钟中断，硬盘读 写服务请求中断。中断的发生与系统处在用户态还是在内核态无关，只决定于EFLAGS寄存器的一个标志位。我们熟悉的sti, cli两条指令就是用来设置这个标志位，然后决定是否允许中断。在单个CPU的系统...

本文想要做一个Kaggle两个题目解题的融合，即Stacked Regressions on House Prices: Advanced Regression TechniquesA Journey through Titanic两篇文章都属于回归问题，且题目很相似，都包含大量影响因素第一篇文章处理数据后用了Stacking集成学习方法融合了多个模型，最终得到比单独模型效果都要好的Sta...

好不容易写了一堆，然后被覆盖了，歪日，心态崩掉。。。。重写引用于此篇文章，题目：House Prices: Advanced Regression Techniques1.histogram直方图纵轴默认为每个售价出现的频率，没有太大参考价值。但直方图非常有用2.scatter plot散点图上述两个变量的关系可近似认为是线性关系。pd.concat是数据的提取和重组。3.box...

House Prices: Advanced Regression Techniques1.histogram直方图默认纵轴为频率，各种房子的售价和频率的图，感觉参考价值不是很大，但是直方图很经典2.scatter散点图concat数据合并与重塑，将df_train中的两列取出来。上面散点图的样子就可以被近似认为是线性关系。3.boxpolt箱型图上面plt.subplot是画子...

Bagging和Boosting 概念及区别Bagging和Boosting都是将已有的分类或回归算法通过一定方式组合起来，形成一个性能更加强大的分类器，更准确的说这是一种分类算法的组装方法。即将弱分类器组装成强分类器的方法。首先介绍Bootstraping，即自助法：它是一种有放回的抽样方法（可能抽到重复的样本）。1、Bagging (bootstrap aggregating)Bagg...

本文转载于他人内容：原文链接原文中还有python实现过程随机森林就是通过集成学习的思想将多棵树集成的一种算法，它的基本单元是决策树，而它的本质属于机器学习的一大分支——集成学习（Ensemble Learning）方法。其实从直观角度来解释，每棵决策树都是一个分类器（假设现在针对的是分类问题），那么对于一个输入样本，N棵树会有N个分类结果。而随机森林集成了所有的分类投票结果，将投票次数最...

信息熵：不得不提香农这个大写的人啦！信息论里面的知识。在信息论里面，信息熵衡量信息量的大小，也就是对随机变量不确定度的一个衡量。熵越大，不确定性越大。对于某个单符号无记忆信源，发出符号(xi)的概率是pi,概率越大，符号的信息量就越小。特征的选择：每次选入的特征作为分裂的标准，都是使得决策树在这个节点的根据你自己选择的标准（信息熵最小、信息增益最大、gini系数最小）先说让信息增益最大的方法...

本题的关键主要在于数据可视化和数据清洗,seaborn,matplotlib对于机器学习框架sklearn作为了解# Imports# pandasimport pandas as pdfrom pandas import Series,DataFrame# numpy, matplotlib, seabornimport numpy as npimport matplotli...

Logistic regression is good at classification but when complexity(non linearity) increases, the accuracy of model decreases.Therefore, we need to increase complexity of model.In order to increase co...

data splitfrom sklearn.model_selection import train_test_splitimport pandas as pd# load datatrain = pd.read_csv(r"../input/train.csv",dtype = np.float32)# split data into features(pixels) and l...