论文周记3

这周学习工作处理的事情蛮多的

1、生均成本分析 —— 教学数据模型已经搭建完成，这里面也许可以做些选课推荐的数据处理，基于手上已经有的各个维度的学生、课程、教师的分布关联关系，可以和论文课题智慧教育结合起来，一个想法，先放着，可能是今后的创新灵感(捂脸ing)。

2、开始钻研论文里面涉及到的算法，因为之前都是粗略读论文，里面牵扯到的很多概念都只是处在知道有这么个名词上面，实在读不深，所以这周读论文，结合论文学习算法。

3、搭建深度学习环境（真的是坑太多了，只是想跑个代码而已，搭环境老是出错，头发都要抓掉了==），目前只是处在安装好了Pycharm专业版，连上了服务器，但是Tensorflow-GPU还未装好，听实验室同学说她们搞环境也花了好久，这些坑肯定是要躺的（哭唧唧），这边看到有大佬用Pycharm+docker配置环境可以做到环境打包，一次配置，后人皆可使用，看的心痒痒，下周好好尝试下。不得不说，内功确实很重要啊！

4、在图书馆get到一本书《数据科学家养成手册》，从数据发展的角度出发，谈古论今，旁征博引，既有人文历史，也有数学推理运算，把枯燥的数据结合历史讲的让人看的津津有味，摘录这周看到的好句：

能说出“有问题”是第一个层次——定性；

能说出“问题在哪里”是第二个层次——定位；

能说出”问题的大小或数量“是第三个层次——定量。

期待我的研究生生涯，最后交出的答卷是讲明白且解决了第三个层次。

最后再记录几个小概念。

降维：是将特征高度相关的维度降低到一个比较低的维度上，而不是省略特征，省略特征可能会导致错误的结果

梯度下降：线性回归中用来找假设公式中的参数的，直观理解就是猜大了让变小，猜小了让变大，用的是梯度下降的方法（其实就是导数），让整个变化的过程以最快的速度进行。

神经网络的形象化理解，很好的解释：https://zhuanlan.zhihu.com/p/59678480  不要被复杂的神经网络图所迷惑，只是借助神经网络来形象化地描述整个计算过程，实际上就是用个函数来拟合所有的数据，神经网络层次越高，那么拟合数据的函数级数越大，线条越弯曲。

机器学习实际上就是选择一种数学模型来对数据进行分类预测，如线性回归是用直线这个数学模型来划分数据，逻辑回归是用Sigmoid这个函数来输出一个概率值（区间0-1），决策树是想用二叉树来对数据进行分类，首先二叉树本身就是一个数学模型。但是模型好坏得要一个评判的标准呀，那这个标准我们用什么来衡量呢，一般称这个为目标函数/损失函数，一般评估指标是长这样  ，这个评估指标描述的是各个点和模型之间距离的平均值，还有其他评估的指标，像逻辑回归和决策树就是用概率来进行评估参数好不好，这个概率，就是当前所设定的参数把输入数据所属分类预测对的概率。

信息熵：1948年香农提出，对信息的量化度量，是香农从热力学中借用过来的，热力学中的热熵表示分子状态混乱程度的物理量，用来描述信源的不确定度，第一次用数学语言阐明概率与信息冗余度的关系，简单来说，就是一个集合里面，各部分比例越均衡越混乱，各部分越两级分化越不混乱(举个例子，袋子里面全是梨子，就一个苹果，那我随便拿一个，人家猜我拿的是啥，那肯定猜梨嘛，如果一半梨子，一半苹果，就不好猜了，猜中全靠人品，因此越两级分化，得到的信息反而越多越准确，)。

学习一个算法，要搞清楚实际的原理。然后要来思考，我做什么可以优化这个算法

传统的推荐技术：基于内容的和协同过滤。

卷积神经网络CNN:https://www.bilibili.com/video/BV1sb411P7pQ/?spm_id_from=333.788.videocard.1卷积：用卷积盒提取特征，池化：缩小图片，只提取关键信息；修正线性单元，全连接。卷积神经网络处理可以转化为图像的信息 ，处理过程为输入->卷积层->全连接->输出