- 博客(20)
- 收藏
- 关注
RSS订阅原创 demp1
数据挖掘第一次作业- (1)证明霍夫丁不等式步骤一、证明Markov不等式P(X⩾ϵ)⩽E(X)ϵ(1.1)P\left(X\geqslant \epsilon\right) \leqslant \frac{E\left(X\right)}{\epsilon}\tag{1.1}P(X⩾ϵ)⩽ϵE(X)(1.1)Proof:E(x)=∫1∞xf(x)dx⩾∫ϵ∞xf(x)dx⩾ϵ∫ϵ∞f(x)dx=ϵP(x⩾ϵ)(1.2)E(x)=\int_{1}^\infty xf(x)dx\geqsla
2022-04-07 13:33:52
1052
原创 DataWhale——《深入浅出Pytorch》4
DataWhale——《深入浅出Pytorch》4一、前言二、torchvision is what(torchvision简介)？三、PyTorchVideo简介四、torchtext简介总结一、前言PyTorch的强大并不仅局限于自身的易用性，更在于开源社区围绕PyTorch所产生的一系列工具包（一般是Python package）和程序，这些优秀的工具包极大地方便了PyTorch在特定领域的使用。比如对于计算机视觉，有TorchVision、TorchVideo等用于图片和视频处理PyTorc
2022-03-22 15:39:18
4865
原创 DataWhale——《深入浅出Pytorch》3
DataWhale——《深入浅出Pytorch》3一、可视化网络结构一、pandas是什么？二、使用步骤1.引入库2.读入数据总结一、可视化网络结构随着深度学习的发展，许多的网络架构越来越复杂，而且不能很好的理解其中矩阵维度，输出输入维度等信息，对编辑网络架构带来一定的麻烦，因此可以通过torchsummary来对模型的网络架构进行输出，但是该种输出方式存在着一定的缺陷，比如说它只是负责打印出你所搭建的网络有什么有几层，而关于每一层的输入输出并不能完全看得到，因此一、pandas是什么？示例：pa
2022-03-22 15:15:52
635
原创 DataWhale——《深入浅出Pytorch》2
DataWhale——《深入浅出Pytorch》2一、损失函数(Loss Function)二、调整学习率三、模型调整四、半精度训练总结一、损失函数(Loss Function)在官方的API中提供了许许多多的损失函数，用来优化模型的表现，比如说有PyTorch在torch.nn模块为我们提供了许多常用的损失函数，比如：MSELoss，L1Loss，BCELoss… ，但是随着深度学习的发展，官方不可能将所有的损失函数进行封装，因此官方给出这样的一条路径就是，可以进行自定义的loss函数封装，通过学
2022-03-18 16:03:05
1277
原创 基础实战——FashionMNIST时装分类
基础实战——FashionMNIST时装分类首先导入必要的包import osimport numpy as npimport pandas as pdimport torchimport torch.nn as nnimport torch.optim as optimfrom torch.utils.data import Dataset, DataLoader配置训练环境和超参数Gpu_device = torch.device('cuda:1' if torch.cuda.is
2022-03-15 14:09:29
2073
原创 吃瓜教程——第六章
《机器学习》——第六章 支持向量机系列文章目录一、间隔与支持向量二、对偶问题一、pandas是什么？二、使用步骤1.引入库2.读入数据总结一、间隔与支持向量给定训练样本集D={(x1,y1),(x2,y2),...,(xm,ym)},yi∈{−1,+1}D=\{(x_1,y_1),(x_2,y
2022-01-23 15:28:16
538
原创 吃瓜教程——第五章
《机器学习》——第五章 神经网络引言一、神经元模型1.1 定义1.2 激活函数二、感知机与多层网络三、误差逆传播算法3.1 BP算法四、全局最小和局部极小五、其他常见神经网络5.1 RBF网络5.2 ART网络5.3 SOM网络5.4 级联相关网络5.5 Elman网络5.6 Boltzmann机六、深度学习七、总结引言在进入本章节之前，先声明一点，本章节中所提及的神经网络不是生物学上的神经网络，当然啦其实是通过数学定理上的证明，来构建一个神经网络的模型出来，模拟生物神经网络上的一些行为（有点小小的严
2022-01-22 15:34:13
813
原创 吃瓜教程——第四章
《机器学习》——第四章 决策树一、基本流程二、划分选择2.1 信息增益2.2 增益率2.3 基尼系数三、剪枝处理3.1 预剪枝3.2 后剪枝四、连续与缺失值4.1 连续值处理4.2 缺失值处理五、多变量决策树六、总结一、基本流程决策树是一类常见的机器学习方法。其中关于西瓜问题的一棵决策树如下图所示，一般的，一棵决策树包含了一个根结点、若干个内部结点和若干个叶结点；叶结点对应于决策结果，决策树的目的是为了产生一棵泛化能力强，即处理未见示例能力强的决策树，其采用的思想是分而治之其采用的基本算法是决
2022-01-21 01:11:03
847
原创 吃瓜教程——第三章
《机器学习》——第三章 线性模型一、基本形式二、线性回归2.1 最小二乘法2.2 极大似然估计2.3 求解www和bbb的值2.4 Hessian矩阵2.5 多元线性回归三、对数几率回归四、总结一、基本形式给定由ddd个属性描述的示例中，x=(x1;x2;⋯ ;xd)x=\left( x_1;x_2;\cdots ;x_d \right)x=(x1;x2;⋯;xd)，其中xix_ixi是xxx在第iii个属性上的取值，线性模型表示为f(x)=w1x1+w2x2+...+wdxd+bf(x)=w
2022-01-18 00:42:51
999
原创 吃瓜教程——第二章(读书笔记)
《机器学习》——第二章 模型评估与选择一、经验误差和过拟合1.1 经验误差和泛化误差1.2 过拟合和欠拟合二、评估方法2.1 留出法2.2 交叉验证法2.3 自助法2.4 调参与最终模型三、性能度量3.1 错误率与精度3.2查准率、查全率与*F1*一、经验误差和过拟合1.1 经验误差和泛化误差错误率公式错误率=错误样本样本总数\text{错误率}=\frac{\text{错误样本}}{\text{样本总数}}错误率=样本总数错误样本
2022-01-16 22:20:42
506
原创 吃瓜教程——第一章(读书笔记)
一、引言《机器学习》这本书是由周志华老师写的，在引言中提及到了西瓜，而且后面的内容也是围绕着西瓜来展开机器学习各方面的例子，因此此书又被称为西瓜书，在引言中提及到的一些概念，我认为是比较重要的机器学习：
2022-01-16 17:01:49
544
原创 数据结构——串(模式匹配)KMP算法
串的模式匹配算法暴力破解法原理伪代码KMP算法背景计算过程1号算法(Next数组)计算步骤KMP算法伪代码改进的KMP算法(NextVal数组)计算步骤改进KMP算法伪代码暴力破解法原理通过已知的主串S和模式串T，进行匹配，效果如下图所示，第一步第二步第三步第i步这里关于书上给出的代码做出解释，首先让主串和模式串从首字符开始进行对比，若相当，则主串的索引与模式串的索引均递增1，在进行匹配，若第二个字符相同，则重复上述步骤，直至模式串的最后一个字符，若匹配中间过程中，存在一个或者多个字
2021-12-06 01:47:38
1020
原创 数据结构(C语言版)——第二章线性表
数据结构（C语言版）--第二章 线性表Introduction状态文件声明头文件顺序表头文件测试程序文件线性表链式结构头文件测试程序注释Introduction这个是关于线性表的顺序表以及线性表的链式表的代码，其中包括增删查改，查找线性表的前驱和后继的功能，并对代码做了一定的注释(PS:小白一个，想做个blog来记录自己学习数据结构的过程)状态文件声明头文件//Status.h#include<iostream>#define TRUE 1#define FALSE 0#def
2021-11-21 21:02:06
406
原创 DataWhale-202110 树模型与集成学习(组队学习)-Task02
DataWhale-202110 树模型与集成学习-Task02CART代码实现回归树训练代码代码运行结果分类树CART代码实现回归树import pandas as pdimport numpy as npdef MSE(y): return ((y - y.mean())**2).sum() / y.shape[0]class Node: def __init__(self, depth, idx): self.depth = depth
2021-10-17 20:33:37
64
原创 DataWhale-202110 树模型与集成学习（第一次）
DataWhale-202110 树模型与集成学习信息论的基础节点纯度不确定性函数H(P)H(P)H(P)决策树分裂信息增益分类树的节点分裂深度优先增长于最佳增益增长CART树均方误差（熵）平均绝对误差（条件熵）决策树剪枝知识回顾第一题第二题第三题第四题处理连续值（转发）处理缺失值第五题第六题信息论的基础正如文档里面所说的一样，树具有一定的天然分支结构，在机器学习中有分类与回归两大问题，而分类问题中，树的分支结构起到一定的关键作用，首先引入的是节点纯度的概念节点纯度节点纯度反映的是节点样本标签的不确
2021-10-14 23:20:32
134
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