给自己走过的技术研究之路作个小结

最新推荐文章于 2019-03-25 14:57:53 发布
最新推荐文章于 2019-03-25 14:57:53 发布
阅读量1.8k 收藏
点赞数
分类专栏： Log 文章标签： blog
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.csdn.net/shanhe/article/details/24944
版权

今天，将自己开始有意识写作技术文章的发展作一个回顾，将以往写的搜集整理在CSDN的blog上全部贴出来，自己看看走过的路，想想当年的艰苦和劲头，心里还真有些沧桑感。
只是这么多年，还没写过很有价值的东西，不安。
想想当年什么资料都没有，就买了盗版的vs6，然后啃MSDN,E文又不大好，弄出一篇稿子发表了，那个成就感。。。

三十而立，我 “立”了吗？

shanhe
关注
  • 0
    点赞
  • 踩
  • 0
    收藏
    觉得还不错? 一键收藏
  • 7
    评论
专栏目录
开发中遇到的坑
HuoYongJie的博客
03-14 447
1. 设置app中系统文字为中文， Localization native development region   设置为China。设置之后系统文字为中文，比如导航栏的返回，默认为back，设置之后为返回。 2.设置导航栏返回按钮的颜色， nav.navigationBar.tintColor=[UIColor blackColor]; 3.在导航控制器中，如果设置self.title
机器学习的正负样本
长安过客君的博客
12-08 1189
这两天看一个数据分析的比赛，刚开始搞比赛，很多知识点都还不清楚。记录在这里，方便以后忘记的时候查看。 参加的比赛是“基于Adversarial Attack的问题等价性判别比赛“，参考网址：https://biendata.com/competition/2019diac/ 将其中介绍的内容截图如上。 在数据详情部分，对于数据的介绍是这样说的。”训练集根据在实际项目中的数据情况，以问题组的形式提...
深度学习中多余负样本的使用
luckyqiong
03-25 2780
数据背景：大量负样本，少量正样本 操作：深度模型正负样本需要均衡，实验发现，正负样本在1：3的时候，acc和f1达到了最高。但是在全样本测试的时候，出现把负样本判为正样本的情况。对负样本做boost，提升了acc和f1 ...
正负样本不平衡处理方法总结
热门推荐
年轻即出发，
12-29 4万+
1， Bootstrapping，hard negative mining 最原始的一种方法，主要使用在传统的机器学习方法中。 比如，训练随机森林，对于每一个树就是采样booststraping方法采样，也算是随机森林的其中一个随机性表现。再比如bagging方法，也是基于该有放回重采样方法。 比如，SVM分类中去掉那些离分界线较远的样本，只保留离分界线较近的样本。 2， heurist...
AdaBoost训练样本中负样本生成
04-26
用opencv的Adaboost训练级联分类器的时候需要产生负样本。 就这个代码可以在背景图片中随机产生N个负样本
研究生中期个人小结.doc
12-27
通过这个中期个人小结，我们可以看到这位研究生在思想、学术和生活多方面的成长，他清楚自己的优势和不足，对未来有明确的规划，这将有助于他在剩余的研究生生涯中更好地实现自我提升，为步入社会做好准备。
论文研究 - 为什么统一之路可能走过克罗格达尔的相对论
05-31
从广义相对论派生出可以接受的引力量子场论，却避开了一些最好的科学思想家。 广义相对论的经典假设与量子力学完全不兼容，这逐渐变得越来越明显。 例如，无论大小，任何运动物体的位置和动量的同时确定性是广义相对...
走过曲折之路,迈向自动驾驶未来.pdf
09-20
自动驾驶技术是当前汽车行业最热门的技术之一。随着自动驾驶技术的不断发展，它对汽车行业的影响也在不断增加。在这个文件中，我们探索了自动驾驶技术的发展和挑战，并讨论了自动驾驶技术的未来发展方向。 一、自动...
骨灰级专家谈企业级互联网架构的演进之路
02-23
淘宝在技术方面也走过很长的路，在架构建设过程中，大家讨论最多的事情是如何划分模块。随着技术的不断发展，到2006年，淘宝技术又从EJB过渡到Spring，如下图：目前，这个产品已经开源，最上层采用的是JBoss、中间...
AIOps平台在腾讯的升级之路
02-24
提起腾讯的运维团队，第一个让人联想起来的名词当属“海量”，早在2004年腾讯前CTO张志东先生就提出了一套技术运营的方法论“海量运营之道”。在海量运营方法论的指导下，运维团队构建了体系化的运维能力，为众多...
机器学习正负样本选择问题
songhao的专栏
09-02 1万+
一、 转自https://blog.csdn.net/weixin_38111819/article/details/79214815 在机器学习模型构建的时候，我们往往会遇到数据样本正负比例极其不平衡的情况，例如在征信模型或者判断客户购买商品是否使用分期时，往往正负样本比达到10:1，这样会造成许多实际问题。 样本不均衡会导致：对比例大的样本造成过拟合，也就是说预测偏向样本数较多的分类。这...
模式识别中的正样本与负样本
Xiongchao99的博客
01-21 1万+
转载自：http://www.cnblogs.com/rainsoul/p/6247779.html 首先将这个问题分为分类问题与检测问题两个方面进行理解： （1）在分类问题中，这个问题相对好理解一点，比如人脸识别中的例子，正样本很好理解，就是人脸的图片，负样本的选取就与问题场景相关，具体而言，如果你要进行教室中学生的人脸识别，那么负样本就是教室的窗子、墙等等，也就是说，不能是与你要研究的问题
对于正负样本不均衡的解决方法
FigthingForADream的博客
04-09 5531
1、最好的办法是获得更多的数据2、换个评价标准，有一些评判指标就是专门解决样本不平衡时的评判问题的，如准确率，召回率，F1值3、重新采样，少的重复采样，多的抽样，或者加入惩罚权重，多的权重小，少的权重大，这就跟梯度提升类似吧梯度提升AdaBoost会把误分类样本加大权重，在表决中其较大作用4、换个对数据平衡性要求不那么大的机器学习算法，例如决策树5、修改算法。。。合成样本增加样本数目较少的那一类的...
关于ADABOOST人脸检测负样本的选取
beizhengren的博客
10-11 1277
地址：http://blog.csdn.net/lampqiu/article/details/40587555 其他人脸检测方法，负样本需要的数量我不清楚，但是ADABOOST所需负样本数量非常之大。在训练层数后期，当最大误警率很低，如2*10-5次方，同时参与训练的负样本为4000时，那么需要的负样本就要2*10^8。解决的方法是自举。但自举最重要的是负样本本身的尺寸一定要足够大1000
设计模式读书笔记(4)
shanhe的专栏
11-26 1768
2004-11-24ProtoType模式名称：原型模式、问题：       假设要做一个图形表示的五线谱编辑器，图形来表示休止符、音符等，一个选择面板来控制、选择音乐对象，例如，在面板上选择一个休止符，放置在五线谱上。我们为五线谱构成的音乐元素定义了抽象Graphics类，为面板定义了抽象Tool类，还为将一些图形工具加入到五线谱而设计了GraphicsTool类。问题是，G
样本非平衡问题
z88508468的专栏
03-17 9550
问题定义： 正负样本比例为100:1 甚至1000:1，需要在分布如此不均匀的数据集中学习到有用信息。 危害： 造成分类器在多数类精度较高，少数类的分类精度很低。以最大分类精度为目标，导致算法提高多数样本分类精度而忽略小样本的预测精度。 原因：以逻辑回归为例，以优化总体精度为目标，不同类别的误分类情况产生的误差相同，考虑一个500:1的数据集的话传统学习算法在不平衡数据集中会有较大
树上问题 从跟结点开始怎么用最短步数走过k个不同的点
最新发布
05-02
这是一道树上路径计数问题，可以使用树形 DP 解决。 设 $f_{u,i}$ 表示从跟结点出发，走过 $u$ 子树中的 $i$ 个点的最短步数。注意这里的“走过”指的是经过而不是到达，即可以重复经过同一个点。 考虑如何转移，对于 $u$ 的每个儿子 $v$，可以枚举 $v$ 子树中经过的点数 $j$，则有： $$f_{u,i} = \min\{f_{u,i}, f_{v,j} + \text{dist}(u,v) + \min\{f_{w,i-j-1}\}\}$$ 其中 $\text{dist}(u,v)$ 表示 $u$ 和 $v$ 之间的边权，$w$ 为 $u$ 的其他儿子。 初始状态为 $f_{u,0} = 0$，即从跟结点出发，不需要经过任何点。 最终的答案即为 $f_{root,k}$，其中 $root$ 为树的根节点。

“相关推荐”对你有帮助么？

  • 非常没帮助
  • 没帮助
  • 一般
  • 有帮助
  • 非常有帮助
提交
评论 7
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值