- 博客(31)
- 资源 (3)
- 收藏
- 关注
RSS订阅原创 知识图谱从0到-1的笔记——6.知识推理
开始知识图谱从0到-1，用的书是《知识图谱方法、实践与应用》，做些阅读笔记，如有错误内容，望各位指正。知识推理知识推理1. 推理概述1.1 什么是推理1.2 逻辑推理1.2.1 演绎推理1.2.2 归纳推理1.2.3 溯因推理1.2.4 类比推理1.3 知识图谱推理知识推理1. 推理概述1.1 什么是推理推理：通过已有的知识推断出未知知识的过程推理的方法的分类和具体方式如下图所示，其中非逻辑推理的过程相对比较模型，而逻辑推理的透明性与定义比较清晰，所以主要围绕逻辑推理展开。1.2 逻辑推
2021-10-26 11:28:11
767
原创 知识图谱从0到-1的笔记——5.知识融合
开始知识图谱从0到-1，用的书是《知识图谱方法、实践与应用》，做些阅读笔记，如有错误内容，望各位指正。知识融合知识融合1. 知识图谱融合的产生2. 知识图谱中的异构类型2.1 语言层异构2.2 模型层异构3.本体概念层的融合方法与技术3.1 本体集成3.1.1 基于单本体的集成3.1.2 基于全局本体-局部本体的集成4.1 本体映射的分类4.1.1 映射的对象角度4.1.2 映射的功能角度4.1.3 映射的复杂角度4.1 本体映射的方法知识融合1. 知识图谱融合的产生知识图谱中包含描述抽象知识的本体
2021-10-24 22:39:44
1937
原创 知识图谱从0到-1的笔记——4.知识抽取与知识挖掘
开始知识图谱从0到-1，用的书是《知识图谱方法、实践与应用》，做些阅读笔记，如有错误内容，望各位指正。知识抽取与知识挖掘知识抽取与知识挖掘1.知识抽取问题1.1 知识抽取的场景（数据源）：1.2 信息抽取、知识抽取的区别与联系1.3 知识抽取的基本流程及相关任务2.面向结构化数据的知识抽取1.2.1 直接映射DM1.2.2 R2RML3.面向非结构化数据的知识抽取3.1 实体抽取3.3.1 语料标注3.1.2 基于规则的方法3.1.3 基于统计学习的方法3.1.3.1 隐马尔可夫模型3.1.3.2 条件随
2021-10-21 15:41:22
1023
原创 知识图谱从0到-1的笔记——3.知识存储
开始知识图谱从0到-1，用的书是《知识图谱方法、实践与应用》，做些阅读笔记，如有错误内容，望各位指正。知识存储知识存储1. 知识图谱数据库1.1 知识图谱数据模型1.1.1 RDF图1.1.2 属性图1.2 知识图谱查询语言1.2.1 SPARQL1.2.2 Cypher1.2.2 Gremelin知识存储 随着知识图谱规模日益增长，数据管理愈加重要。当我们得到用于构建知识图谱地知识时，并选择了合适地方法对知识进行建模和表示之后，就要考虑对知识的持久化存储
2021-10-20 15:52:19
702
原创 知识图谱从0到-1的笔记——2.知识表示与建模
开始知识图谱从0到-1，用的书是《知识图谱方法、实践与应用》，做些阅读笔记，如有错误内容，望各位指正。知识表示与建模知识表示与建模1.知识表示1.1 什么是知识表示及其发展1.2 早期的知识表示方法1.2.1 一阶谓词逻辑(First Order Logic)1.2.2 霍恩子句和霍恩逻辑1.3 互联网时代的语义网知识表示框架知识表示与建模1.知识表示1.1 什么是知识表示及其发展 知识表示是将关于世界的信息表示为符合机器处理的模式，用于模拟人对世界的
2021-10-18 22:44:25
494
原创 机器学习——3.线性模型
文章目录1. 基本形式2. 线性回归2.1 线性回归2.2 最小化均方误差2.3 凸函数求最值问题2.3.1 凸函数2.4 求解模型参数2.5 广义线性模型3. 对数几率回归4. 线性判别分析(Linear Discriminant Analysis，LDA)4.1 基本思想4.2 原理5. 多分类学习5.1 “一对一”(One vs One,OvO)5.1 “一对其余”(One vs Rest,OvR)5.1 “多对多”(Many vs Many,MvM)1. 基本形式 &nbs
2021-08-22 17:48:00
634
原创 机器学习——2.模型评估与选择
文章目录1. 误差与拟合1.1 误差1.2 训练误差与测试误差1.3 过拟合（overfitting）和欠拟合（underfitting）2.模型选择2.1 正则化（regularization）2.2 留出法（hold-out）2.3 交叉验证法（cross validation）2.4 自助法（bootstrapping）3.性能度量3.1 [机器学习中分类任务的性能度量](https://blog.csdn.net/weixin_43532000/article/details/104995734)3
2021-08-17 21:06:53
796
原创 机器学习——1.机器学习绪论
文章目录1.统计学习，机器学习1.1相关定义1.2.三要素1.3 实现步骤2.基本术语与概念2.1 机器学习的方法分类2.2 数据集（dataset）2.3 假设空间2.3.1概念学习2.3.2 布尔概念学习2.3.3 归纳偏好（inductive bias）2.3.3.1 奥卡姆剃刀（Occam's razor）2.3.4 没有免费的午餐（NFL）1.统计学习，机器学习 统计学习是关于计算机基于数据构建概率统计模型并运用模型对数据进行预测与分析的一门学科。
2021-08-17 21:05:14
480
原创 机器学习——课后习题解答
文章目录第一章绪论1. 表1.1中若只包含编号为1和4的两个样例，是给出相应的版本空间。2. 与使用单个合取式来进行假设表示相比，使用“析合范式”将使得假设空间具有更强的表示能力，例如3. 若数据包含噪声，则假设空间中有可能不存在与所有训练样本都一致的假设。在此情形下，试设计一种归纳偏好用于假设选择。4. 本章在1.4节在论述“没有免费的午餐”定理时，默认使用了“分类错误率”作为性能度量来对分类器进行评估。若换用其他性能度量\ellℓ,则式(1.1)将改为下式，试证明NLF仍然成立。5. 试述机
2021-06-08 10:27:46
19066
2
原创 Kaggle泰坦尼克号生存预测挑战——模型建立、模型调参、融合
Kaggle泰坦尼克号生存预测挑战 这是kaggle上Getting Started 的Prediction Competition，也是比较入门和简单的新人赛，我的最好成绩好像有进入top8%，重新地回顾巩固一下这个比赛，我将分成三个部分：Kaggle泰坦尼克号生存预测挑战——数据分析Kaggle泰坦尼克号生存预测挑战——简单的特征工程Kaggle泰坦尼克号生存预测挑战——模型
2020-08-28 20:09:42
1264
原创 基本时间序列规则
时间序列规则给定如下数据，预测第4周的客流量获取周期因子1.方式一：除以周均值，按列取中位数2.方式二：季节指数的计算方式：获得每日（工作日或周末）均值，再除以整体均值预测将周期因子，乘以一个base，就可以做下一周的预测啦例如：取最后一周的平均客流量100作为base...
2020-08-22 23:06:07
474
原创 Kaggle泰坦尼克号生存预测挑战——简单的特征工程
Kaggle泰坦尼克号生存预测挑战 这是kaggle上Getting Started 的Prediction Competition，也是比较入门和简单的新人赛，我的最好成绩好像有进入top8%，重新地回顾巩固一下这个比赛，我将分成三个部分：Kaggle泰坦尼克号生存预测挑战——数据分析Kaggle泰坦尼克号生存预测挑战——简单的特征工程Kaggle泰坦尼克号生存预测挑战——模型
2020-08-21 22:37:24
1241
原创 Kaggle泰坦尼克号生存预测挑战——数据分析
Kaggle泰坦尼克号生存预测挑战 这是kaggle上Getting Started 的Prediction Competition，也是比较入门和简单的新人赛，我的最好成绩好像有进入top8%，重新地回顾巩固一下这个比赛，我将分成三个部分：Kaggle泰坦尼克号生存预测挑战——数据分析Kaggle泰坦尼克号生存预测挑战——特征工程Kaggle泰坦尼克号生存预测挑战——模型建立、
2020-08-18 21:11:18
2224
原创 机器学习——0.啃西瓜书和统计学习方法前言
啃西瓜前言 西瓜书买了许久，现在只啃了一小部分的内容，实在过意不去，主要还是由于原理和数学的东西实在太催眠，很多东西也是一知半解，了解的时候也是不求甚解。作为一名大二的本科生，确实深感难度很大。学习原理&&实践算法 本质上我算是一个入门的调包侠，跑过一些简单的项目，和一些简单的数据挖掘比赛，当然也可以理解成为是一种实践，实践确实很重要，很多理论只有实践在项目上的时候才能体会到机器学习算法的意义
2020-08-08 01:01:48
686
原创 CV基础—— 边缘检测
边缘边缘是图像强度函数快速变化的地方如何检测边缘为了检测边缘，我们需要检测图像中的不连续性，可以使用导数来检测不连续性如上图所示，上图的第一幅图表示一张数字图片，我们对水平红线处进行求导，便可得到上图二中的关系，可以看到在边缘处有着较大的跳变。但是，导数也会受到噪声的影响，因此建议在求导数之前先对图像进行平滑处理（上图三）。但是，导数也会受到噪声的影响，因此建议在求导数之前先对图像进行...
2020-05-01 21:07:56
754
原创 CV基础——图像分割/二值化
最大类间方差法（大津阈值法）大津法（OTSU）是一种确定图像二值化分割阈值的算法，由日本学者大津于1979年提出。从大津法的原理上来讲，该方法又称作最大类间方差法，因为按照大津法求得的阈值进行图像二值化分割后，前景与背景图像的类间方差最大。它被认为是图像分割中阈值选取的最佳算法，计算简单，不受图像亮度和对比度的影响，因此在数字图像处理上得到了广泛的应用。它是按图像的灰度特性，将图像分成背景和前...
2020-04-29 21:06:24
486
原创 CV基础——图像滤波
图像滤波滤波分类线性滤波：对邻域中的像素的计算为线性运算时，如利用窗口函数进行平滑加权求和的运算，或者某种卷积运算，都可以称为线性滤波。常见的线性滤波有：均值滤波、高斯滤波、盒子滤波、拉普拉斯滤波等等，通常线性滤波器之间只是模版系数不同。非线性滤波： 非线性滤波利用原始图像跟模版之间的一种逻辑关系得到结果，如最值滤波器，中值滤波器。比较常用的有中值滤波器和双边滤波器。方框滤波方框滤波...
2020-04-27 22:23:21
430
原创 OpenCv中BGR和HSV转换
BGR和HSV转换import osimport cv2img=cv2.imread("man.jpg")#读取文件hsv=cv2.cvtColor(img,cv2.COLOR_BGR2HSV)#色彩空间的转化cv2.imwrite("eee.jpg"),hsv)#写入图片文件
2020-04-25 21:13:55
781
原创 CV基础——彩色空间互转
彩色空间互转 图像彩色空间互转在图像处理中应用非常广泛，而且很多算法只对灰度图有效；另外，相比RGB，其他颜色空间(比如HSV、HSI)更具可分离性和可操作性，所以很多图像算法需要将图像从RGB转为其他颜色空间，所以图像彩色互转是十分重要和关键的RGB RGB色彩就是常说的光学三原色，R代表Red（红...
2020-04-25 20:53:01
201
原创 OpenCV中仿射变换warpAffined和getRotationMatrix2D ——python
opencv python c++ warpAffine getRotationMatrix2D，旋转平移
2020-04-23 18:51:42
1031
原创 CV基础——图像几何变换
图像的几何变换 图像的几何变换又称为图像空间变换，它将一幅图像中的坐标位置映射到另一幅图像中的新生位置。几何变换不改变图像的像素值，只是在图像平面上进行像素的重新安排。 我们以最常用的平移和旋转为例进行学习。在深度学习领域，我们常用平移、旋转、镜像等操作进行数据增广；在传统CV领域，由于某些拍摄角度的问...
2020-04-23 00:23:51
419
原创 openCV中插值cv2.resize——python\C++
python ，opencv，cv2.resize，INTER_NEAREST:最邻近插值,INTER_LINEAR双线性插值,INTER_AREA邻域像素再取样插补,INTER_CUBIC双立方插补
2020-04-19 00:03:13
1694
原创 机器学习中性能度量——sklearn.metrics
sklearn.metrics.accuracy_score、sklearn.metrics.precision_score、sklearn.metrics.recall_score、sklearn.metrics.f1_score、sklearn.metrics.roc_auc_score、sklearn.metrics.r2_score、metrics.mean_squared_error、,metrics.mean_absolute_error
2020-03-20 21:08:00
1343
原创 机器学习中分类任务的性能度量
回归性能度量、评估标准、评价指标、真正例TP（true postive） - 假正例FP（false postive） - 真反例TN（true negative） - 假反例FN（false negative）准确率（Accuracy）查全率、召回率（Recall）查准率、精确率（Precision）查准率-查全率曲线，又称为P-R曲线ROC与AUC
2020-03-20 20:36:25
924
原创 numpy中的stack操作
np.stack()的用法np.stack(arrays,axis = )numpy文档解释作用是沿新轴连接一系列数组解释一下其中的参数arrays：数组，要求输入每个数组必须具有相同的形状axis ：轴，意思就是沿着哪一个新轴进行stack操作，axis=0就是第一个维度，依此类推，axis=-1就是最后一个维度返回： 返回stack后的数组比输入数组多一个维文档有点难以理解，我...
2020-02-28 16:05:03
543
原创 批量标准化（批量归一化）（BatchNormalization）
批量标准化（批量归一化）（BatchNormalization）由于翻译的缘故，归一化和标准化其实有别，个人认为应该叫成批量标准化，为防止歧义的原因,以下我将用BatchNormalization,而不用中文背景尽管使用He初始化和ELU（或任何 ReLU变体）可以显著减少训练开始阶段的梯度消失/爆炸问题，但不保证在训练期间问题不会回来。在2015年的一篇论文中，SergeyIoffe 和...
2020-02-25 17:24:52
4453
原创 归一化（Normalization）和标准化（Standardization）
归一化和标准化from sklearn import preprocessingpreprocessing.MinMaxScalerfrom sklearn.preprocessing import StandardScalerstd = StandardScaler()
2020-02-25 15:51:04
1183
原创 torch.nn.Embedding的使用
torch.nn.Embedding在使用pytorch进行词嵌入使用torch.nn.Embedding（）就可以做到nn.Embedding在pytoch中的解释class torch.nn.Embedding(num_embeddings, embedding_dim, padding_idx=None, max_norm=None, norm_type=2, scale_grad_...
2020-02-21 17:03:40
4052
1
xception-b5690688.pth
2020-05-30
空空如也
TA创建的收藏夹 TA关注的收藏夹
TA关注的人