![](https://img-blog.csdnimg.cn/9053bfbae84749a28e03028696d33cf7.jpeg?x-oss-process=image/resize,m_fixed,h_224,w_224)
Python
文章平均质量分 86
机器学习是一门多领域交叉学科,涉及概率论、统计学、逼近论、凸分析、算法复杂度理论等多门学科。专门研究计算机怎样模拟或实现人类的学习行为,以获取新的知识或技能,重新组织已有的知识结构使之不断改善自身的性能。
Sonhhxg_柒
Save your heart for someone who cares. #愿岁月清净 抬头遇见皆是柔情#
展开
-
【ML】AdaBoost:实用介绍及如何使用 Python 进行分类和回归
无论您是寻求更高的准确性、对噪声的鲁棒性,还是更好地理解特征重要性,AdaBoost 的自适应增强原理都可以成为您的机器学习工具箱中的宝贵资产。尽管如此,请始终记住,任何算法的成功都取决于深思熟虑的预处理、仔细的超参数调整以及对您要解决的问题的清晰理解。AdaBoost 特别注重通过在数据的不同子集上顺序训练弱学习器(比随机猜测稍好的单个模型)的性能,并为错误分类的样本赋予更多权重。AdaBoost 背后的想法是,通过顺序关注先前弱学习器错误分类的样本,算法适应数据的特征并提高其整体预测能力。原创 2023-08-23 13:31:39 · 1960 阅读 · 0 评论 -
Python 中的素数程序
素数是大于 1 的自然数,只能被 1 和它本身整除,不能被其他因数整除。它们因其不可预测性和明显的随机性而具有神秘感,但它们遵循精确的模式并表现出非凡的特性。最后,您将对素数有深入的了解,并能够利用编程的力量识别它们。2018 年,互联网梅森素数大搜索的 Patrick Laroche 发现了最大的素数 282,589,933 − 1,这个数字以 10 为底数有 24,862,048 位。从本质上讲,由于密码学,今天的互联网是稳定的,而这个分支在很大程度上依赖于素数。因此,最小的素数是 2 而不是 1。原创 2023-06-30 10:03:13 · 393 阅读 · 0 评论 -
【NLP】第 2 章 访问文本语料库和词汇资源
自然语言处理中的实际工作通常使用大量语言数据或。本章的目标是回答以下问题:有哪些有用的文本语料库和词汇资源,我们如何使用 Python 访问它们?哪些 Python 结构对这项工作最有帮助?在编写 Python 代码时,我们如何避免重复自己?本章继续在语言处理任务的上下文中通过示例介绍编程概念。我们将等到稍后再系统地探索每个 Python 结构。如果您看到包含不熟悉内容的示例,请不要担心;只需尝试一下,看看它做了什么,然后——如果你喜欢玩游戏——通过用不同的文本或单词替换代码的某些部分来修改它。原创 2022-09-24 10:07:47 · 8323 阅读 · 6 评论 -
【NLP】第 1 章 语言处理和 Python
现在您只需键入一个简短的名称,而不是一行或多行完整的 Python 代码,您可以随意重复使用它。. 下载器上的Collections选项卡显示了包是如何分组到集合中的,您应该选择标有book的行以获取本书中示例和练习所需的所有数据。尽管文本是随机的,但它重用了源文本中的常用单词和短语,并让我们对其风格和内容有所了解。是单词的形式或拼写,与它在文本中的具体出现无关——也就是说,单词被认为是词汇中的一个独特项目。您可以生成该图,如下所示。在下一章中,您将学习如何访问更广泛的文本,包括英语以外的其他语言的文本。原创 2022-09-24 10:07:23 · 8364 阅读 · 6 评论 -
【NLP】Transformer—用注意力机制改进自然语言处理
在上一章中,我们通过情感分析项目了解了() 及其在(然而,最近出现了一种新的架构,该架构已被证明优于多个 NLP 任务中基于 RNN 的() 模型。这就是所谓的架构。变形金刚已经彻底改变了自然语言处理,并处于许多令人印象深刻的应用程序的前沿,包括自动语言翻译 () 和建模基础蛋白质序列 () 的特性来创建帮助人们编写代码的 AI ()。在本章中,您将了解注意力和自注意力的基本机制,并了解它们是如何在原始转换器架构中使用的。原创 2022-09-24 10:07:12 · 9823 阅读 · 6 评论 -
【NLP】使用递归神经网络对序列数据进行建模 (Pytorch)
然后,我们介绍了用于序列建模的 RNN 的基础。为了生成新文本,我们的目标是设计一个模型,可以预测给定输入序列的下一个字符,其中输入序列表示不完整的文本。例如,在文本数据或 DNA 序列中,示例是有序的,但文本或 DNA 不符合时间序列数据的条件。尽管通常 RNN 可以处理不同长度的序列,但我们仍然需要确保 mini-batch 中的所有序列都具有相同的长度,以便将它们有效地存储在张量中。从打印的张量形状中可以看出,第一批的列数为 218,这是将前四个示例组合成一个批次并使用这些示例的最大大小的结果。原创 2022-09-24 10:06:56 · 9239 阅读 · 6 评论 -
【ML】TensorFlow 图
TF 函数对它们特别小心:任何读取或更新资源的操作都被认为是有状态的,并且 TF 函数确保有状态的操作按照它们出现的顺序执行(与可能并行运行的无状态操作相反,因此它们的不保证执行顺序)。现在您知道了 TF Functions 如何处理多态性(具有多个具体函数),如何使用 AutoGraph 和跟踪自动生成图形,图形是什么样的,如何探索它们的符号操作和张量,如何处理变量和资源,以及如何使用带有 tf.keras 的 TF 函数。如果您使用之前已经看到的输入签名调用 TF 函数,它将重用它之前生成的具体函数。原创 2022-09-23 10:21:33 · 9511 阅读 · 8 评论 -
【DL】第6章 问题匹配
理想情况下,我们会有一个“与这个问题类似的问题”的列表,我们可以用它来训练我们的模型。相反,我们将依赖一个替代目标:让我们看看我们是否可以训练我们的模型,给定一个问题,区分匹配的答案和随机问题的答案。我们在这里建立的模型学习匹配问题和答案,但实际上我们给它的唯一自由是改变单词的嵌入,使得标题和正文的嵌入总和匹配。这应该让我们嵌入问题,以便相似的问题将具有相似的嵌入,因为相似的问题将具有相似的答案。幸运的是,Keras 内置了许多可靠的优化器,所以我们不必担心这个:我们可以选择一个合适的。原创 2022-09-23 10:13:59 · 9429 阅读 · 8 评论 -
【Python】绘图和可视化
制作信息可视化(有时称为绘图)是数据分析中最重要的任务之一。它可能是探索过程的一部分——例如,帮助识别异常值或所需的数据转换,或者作为产生模型想法的一种方式。对于其他人来说,为网络构建交互式可视化可能是最终目标。Python 有许多用于制作静态或动态可视化的附加库,但我将主要关注和基于它构建的库。matplotlib 是一个桌面设计用于创建(主要是二维)出版质量图的绘图包。该项目由John Hunter 于 2002 年在 Python 中启用了类似 MATLAB 的绘图界面。原创 2022-09-23 10:13:46 · 12347 阅读 · 7 评论 -
【DL】第8章 序列到序列的映射
在这一点上,每个字母都是一个子词标记,大概我们的标记数量少于我们的最大数量。如果一个模型学习在芬兰语和英语之间进行翻译,然后在英语和希腊语之间进行翻译,并且它使用相同的语义空间,那么它也可以用于直接在芬兰语和希腊语之间进行翻译。这是一种相对较新的技术,具有诱人的可能性。事实上,当我们检查模型的性能时,它已经达到了 99% 以上的精度,我们看到大部分错误仍然在那个区域。像本节中的模型这样更简单的模型可以学习如何在罗马符号中添加数字或学习在书面英语和语音英语之间进行翻译,这是构建文本到语音系统时有用的第一步。原创 2022-09-23 10:13:36 · 9551 阅读 · 8 评论 -
【DL】第7章 推荐表情符号
同样,对于文本,我们希望模型知道如果“爱”这个词出现在推文中的任何地方,“爱”将是一个很好的标签。然而,他们假设每个因素的贡献是相互独立的——所以在这种情况下,推文中的每个词对预测标签都有一定的影响,独立于其他词——显然情况并非总是如此。现在请记住,该模型需要一系列文档,每个文档都编码为一个向量,其长度等于词汇表的大小,每个元素都编码该文档中相应单词相对于所有文档的相对频率。事实上,这在某种程度上是我们对更复杂的 CNN 所做的,我们对小子网使用了不同的窗口大小,然后将它们连接起来得出最终结论。原创 2022-09-23 10:13:26 · 9651 阅读 · 6 评论 -
【监督学习】多层感知器MLP(含代码实现)
🔎大家好,我是Sonhhxg_柒,希望你看完之后,能对你有所帮助,不足请指正!共同学习交流🔎📝个人主页-📃📣系列专栏 -原创 2022-09-16 10:06:25 · 27119 阅读 · 7 评论 -
【无监督学习】遗传算法Genetic Algorithm(含代码实现)
遗传算法(Genetic Algorithm,GA)最早是由美国的 John holland于20世纪70年代提出,该算法是根据大自然中生物体进化规律而设计提出的。是模拟。原创 2022-09-16 09:52:37 · 18297 阅读 · 4 评论 -
协同过滤算法
协同过滤的英文全称是Collaborative Filtering,简称CF。注意,这不是一款游戏!从字面上分析,协同就是寻找共同点,过滤就是筛选出优质的内容。原创 2022-09-15 08:33:33 · 14838 阅读 · 1 评论 -
设计一个网络爬虫(Python)
虽然我们不会深入分析分析的细节,但我们可以进行一些数据挖掘来确定特定页面更新之前的平均时间,并使用该统计数据来确定重新抓取页面的频率。经常更新或更受欢迎的网站可以在更短的时间间隔内刷新。最初基于整体网站受欢迎程度的排名的初始列表。我们可以根据页面内容生成一个签名,并比较这两个签名的相似性。用例:用户输入一个搜索词并查看包含标题和片段的相关页面列表。如果没有面试官来解决澄清问题,我们将定义一些用例和约束。练习使用更传统的系统——不要使用现有的系统,例如。来维护页面链接的排名。来存储处理后的链接及其页面签名。原创 2022-09-14 10:01:00 · 16168 阅读 · 1 评论 -
json 模块:处理 JSON 数据
是一种轻量级的数据交换格式,易于人阅读和编写,同时也易于机器解析和生成。(load string) 方法从字符串中读取。字符串中,数组的元素顺序是不变的(始终是。类似,我们可以直接从文件中读取。),而对象的元素顺序是不确定的。的基础结构有两种:键值对 (数据,也可以将对象保存为。从中我们可以看到,生成的。假设我们已经将上面这个。原创 2022-09-13 10:49:31 · 11790 阅读 · 0 评论 -
Python Multiprocessing(多进程)
Python Multiprocessing(多进程)原创 2022-09-06 17:04:05 · 37561 阅读 · 4 评论 -
python关键字保留字
and:逻辑运算符。as:创建别名。assert:用于调试。break:跳出循环。class:定义类。continue:继续循环的下一个迭代。def:定义函数。del:删除对象。elif:在条件语句中使用,等同于 else if。else:用于条件语句。except:处理异常,发生异常时如何执行。False:布尔值,比较运算的结果。finally:处理异常,无论是否存在异常,都将执行一段代码。for:创建 for 循环。from:导入模块的特定部分。global:声明全局变量。if:写一个条件语句。impo原创 2022-09-08 22:08:52 · 17177 阅读 · 1 评论 -
Collections中的双向队列-deque
Collections中的双向队列-deque原创 2022-09-06 16:52:03 · 15774 阅读 · 0 评论 -
Python多线程 Threading
Python多线程 Threading原创 2022-09-06 16:59:11 · 16733 阅读 · 0 评论 -
python的进制转换与数据类型转换
:hex(原创 2022-09-08 22:08:12 · 15902 阅读 · 1 评论 -
Python库collections中的计数器(Counter)
Python库collections中的计数器(Counter)原创 2022-09-06 16:45:41 · 16682 阅读 · 0 评论