- 博客(21)
- 收藏
- 关注
RSS订阅原创 【Kaggle-AAAMLP中文翻译】Approaching (Almost) Any Machine Learning Problem——第二章：监督学习与无监督学习
在这本书中，我们将主要关注有监督的数据和模型，但这并不意味着我们将忽视无监督的数据问题。同样，当我们提供了猫和狗的图像，我们事先知道哪些是猫，哪些是狗，如果任务是创建一个模型，预测提供的图像是猫还是狗，这个问题被认为是有监督的。MNIST是一个有监督的分类问题，我们将其转换为无监督的问题，只是为了检查它是否给出了任何类型的好结果，很明显，我们用t-SNE分解确实得到了好结果。数据集，这是一个非常流行的手写数字数据集，它是一个有监督的问题，在这个问题中，你会得到数字的图像和与之相关的正确标签。
2023-10-24 12:59:51
466
1
原创 百度Apollo——国产自动驾驶平台，让自动驾驶如此简单
发布时间是2017年4月19日，旨在向汽车行业及自动驾驶领域的合作伙伴提供一个开放、完整、安全的软件平台，帮助他们结合车辆和硬件系统，快速搭建一套属于自己的完整的自动驾驶系统。本次星火培训的课程由Apollo开发者社区布道师倾力打造，全新感知课程上线，四节课带你上手Perception 2.0使用与开发！课程周期更系统，课程方向更精细，涉及激光雷达感知功能调试，激光雷达感知二次开发，感知模型训练和部署等。基于现有的感知基础不断深研，从模块讲解到深度实践再到练习赛，全新的课程体系等你深入挖掘!
2023-09-13 21:03:16
330
原创 Datawhale LeetCode算法笔记day1
解释：num1 是 12，num2 是 5 ，它们的和是 12 + 5 = 17 ，因此返回 17。中每个字符代表了一种你拥有的石头的类型，你想知道你拥有的石头中有多少是宝石。解释：num1 + num2 = -6 ，因此返回 -6。输入：num1 = -10, num2 = 4。输入：num1 = 12, num2 = 5。输出：[1,3,2,1,1,3,2,1]输入：nums = [1,3,2,1]输入：nums = [1,2,1]输出：[1,2,1,1,2,1]，返回这两个整数的和。
2023-09-12 09:15:49
39
原创 【Kaggle-AAAMLP中文翻译】Approaching (Almost) Any Machine Learning Problem——第一章：建立工作环境
Kaggle大师Abhishek Thakur关于机器学习的书籍中文翻译
2023-07-28 14:44:25
1982
原创 TypeError: __init__() got an unexpected keyword argument ‘model_selection‘
将model_selection删除或者注释即可。参考链接：TypeError: __init__() got an unexpected keyword argument 'model_selection' · Issue #2742 · google/mediapipe (github.com)https://github.com/google/mediapipe/issues/2742
2022-04-03 10:34:16
1117
2
原创 【2】MediaPipe面部识别
上次因为课设写了MediaPipe的手势识别后就一直没有更新，今天写一下人脸检测网页参考：https://google.github.io/mediapipe/solutions/face_detection.htmlMediaPipe 人脸检测是一种超快的人脸检测解决方案，具有 6 个特征点和多面支持。它基于BlazeFace，是一种轻量级且性能良好的人脸检测器。接口：MODEL_SELECTION整数索引或 .用于选择最适合距相机 2 米以内的人脸的短距离型号，以及最适合 5 米以内人脸的.
2022-04-03 10:31:50
4680
原创 《深度学习入门》学习笔记三：感知机
感知机模型是由美国学者Frank Rosenblatt在1957年中提出的。它是一种二类分类的模型。文章目录前言1、何为感知机2、人工神经元3、权重和偏置前言如果我们教一个小朋友如何去分辨苹果和橙子，我们会怎么做呢？我们可能会告诉他，表皮光滑的、红色的是苹果，表皮粗糙的、黄色的是橙子。这个方法也许并不那么合适，毕竟不是所有的苹果都是红色的，所有的橙子都是黄色的。但是这也能教会小朋友如何去分辨一般情况中的苹果和橙子了。这就是一个感知机模型。而颜色、表皮则是输入信号。1、何为感知机感知机可以接收多.
2022-03-15 16:33:40
640
原创 《深度学习入门》学习笔记二：matplotlib
文章目录1.绘制简单的图形2.pyplot的功能3.显示图片1.绘制简单的图形import numpy as npimport matplotlib.pyplot as plt#生成数据x = np.arange(0, 6, 0.1)y = np.sin(x)#绘制图形plt.plot(x, y)plt.show()首先通过NumPy中的arange方法生成了从0到6，间隔为0.1的数据，设置成了x。并且对其进行sin计算，生成了相同数量的y，最终将x，y的数据传给了plt.plo
2022-03-14 22:48:08
2324
原创 《深度学习入门》学习笔记一：NumPy
参考书籍和文献：《深度学习入门：基于Python的理论与实现》前言在深度学习的实现中，往往会用到数组和矩阵的计算，此时Numpy中的数组库提供了许多快捷的方法。1、NumPy首先我们需要引入Numpy库。import numpy as np这样我们在引用numpy库的时候就给可以用np来代替。1.1 NumPy数组生成numpy数组可以使用np.array的方法1.2 NumPy数组计算正如案例中的numpy中的加减乘除都是逐项进行的，因此如果x和y的元素个数不相同的话，那么.
2022-03-13 22:55:53
1634
原创 【数学建模】清风视频笔记4、拟合算法
拟合算法拟合的结果是得到一个确定的曲线最小二乘法k=n∑i=1nxiyi−∑i=1nyi∑i=1nxin∑i=1nxi2−∑i=1nxi∑i=1nxib=∑i=1nxi2∑i=1nyi−∑i=1nxi∑i=1nxiyin∑i=1nxi2−∑i=1nxi∑i=1nxik = \frac{n\sum_{i=1}^nx_iy_i-\sum_{i=1}^ny_i\sum_{i=1}^nx_i}{n\sum_{i=1}^nx_i^2-\sum_{i=1}^nx_i\sum_{i=1}^nx_i}\\b=\f
2022-02-08 13:32:41
2343
原创 【数学建模】清风视频笔记3、插值算法
插值算法“模拟产生”一些新的但又比较靠谱的值来满足需求，针对数据极少情况一维插值问题插值多项式：P(x)=a0+a1x+⋯+anxnP(x)=a_0+a_1x+\dots+a_nx^nP(x)=a0+a1x+⋯+anxn若P(x)P(x)P(x)为分段多项式，就称分段插值若P(x)P(x)P(x)为三角函数，就称三角插值拉格朗日插值法两个点(x0,y0),(x1,y1)(x_0,y_0),(x_1,y_1)(x0,y0),(x1,y1)f(x)=x−x1x0−x1y0+x−
2022-02-05 15:49:19
670
原创 【数学建模】清风视频笔记2、TOPSIS法（优劣解距离法）
TOPSIS法（优劣解距离法）例子小明和同学第一学期高数成绩姓名成绩排名修正后的排名评分小明89233/10=0.3小王60 10411/10=0.1小张74322/10=0.2清风99 90144/10=0.4只要排名不变评分就不会变最高成绩max：99最低成绩min：60姓名成绩未归一化的评分归一化评分小明89（89-60）/（99-60）=0.740.74/2.1=0.3
2022-02-05 15:46:24
635
原创 【数学建模】清风视频笔记1、层次分析法
层次分析法主要用于解决评价类问题.例子：小明最关心大学里的四个方面（学习氛围-0.4，就业前景-0.3，男女比例-0.2，校园景色-0.1）括号里面的数值表示小明认为的重要性程度（权重，其和为1）.小明的权重表格指标权重华科武大学习氛围0.40.70.3就业前景0.30.50.5男女比例0.20.30.7校园景色0.10.250.75最终华科：0.515；武大：0.485评价类问题关键词：确定评价指标，形成评价体系首先想
2022-02-01 16:55:15
2171
原创 【0】MediaPipe安装
目录1.安装mediapipe环境2.vscode3.pycharm附录1.安装mediapipe环境打开Anaconda Prompt（若没有anaconda请自行百度下载）输入命令conda create -n mediapipe python=3.7回车，结果应该为（因为我已经有了mediapipe环境，所以此处由mediapipe1代替）输入activate mediapipe回车，本次使用的是0.8.3.1版本，故输入pip..
2021-11-25 22:03:38
12399
5
原创 【matlab】图操作以及求最短路径
目录创建稀疏矩阵通过view函数查看连接图使用迪杰斯特拉算法搜寻最短路径最终代码创建稀疏矩阵通过sparse创建稀疏矩阵clc clearw = zeros(4)w(1,2)=4;w(1,3)=5;w(1,4)=7;w(2,3)=3;w(2,4)=2;G = sparse(w)得到以下结果：通过view函数查看连接图view(biograph(G,[],'ShowWeights','on'))使用迪杰斯特拉算法搜寻最短路径...
2021-11-20 10:15:54
704
1
空空如也
空空如也
TA创建的收藏夹 TA关注的收藏夹
TA关注的人