![](https://img-blog.csdnimg.cn/20201014180756780.png?x-oss-process=image/resize,m_fixed,h_64,w_64)
深度学习
文章平均质量分 81
MqtGhj
本人博客只用做给自己记录用以学习成长,如果能帮到部分人便是意外之喜!低头赶路,敬事如仪!
展开
-
用WaveNet预测(Adapted Google WaveNet-Time Series Forecasting)
我试图通过使用竞争数据集实现最近在时间序列预测中使用的深度学习模型(即最近的研究论文),从而使它们“栩栩如生”,我相信这会让您感到兴奋。有一些研究论文失败了,也有一些研究论文在竞争数据集上运行得很好,比如我已经在这里实现的STAM模型。不久前,我试着专注于一个我喜欢的模型:使用卷积神经网络的条件时间序列预测,它是谷歌WaveNet对时代序列的改编。以下是该论文的链接:时间序列的WaveNet!原创 2023-05-21 16:22:57 · 1193 阅读 · 0 评论 -
LightGBM——提升机器算法详细介绍(附代码)
LightGBM是个快速的,分布式的,高性能的基于决策树算法的梯度提升框架。可用于排序,分类,回归以及很多其他的机器学习任务中。在竞赛题中,我们知道XGBoost算法非常热门,它是一种优秀的拉动框架,但是在使用过程中,其训练耗时很长,内存占用比较大。在2017年年1月微软在GitHub的上开源了一个新的升压工具--LightGBM。在不降低准确率的前提下,速度提升了10倍左右,占用内存下降了3倍左右。原创 2023-04-12 23:07:12 · 1113 阅读 · 0 评论 -
机器学习分类与算法(总结)
机器学习算法之旅、根据学习方式进行分类、基于问题类型进行分类、回归算法、基于实例的算法、正则化算法、决策树算法、贝叶斯算法、聚类算法、关联规则学习算法、人工神经网络算法、深度学习算法、降维算法、集成算法原创 2023-04-11 01:00:00 · 686 阅读 · 0 评论 -
常用优化算法(模拟退火、遗传算法、粒子群算法)及其Python实现
设每个个体的基因长度为4(即用4个二进制数表示一个个体,比如0010,表示2),则可以随机生成4个二进制数,如1101、0110、0011,0001等,作为初始的种群。具体来说,算法通过在解空间中随机生成一定数量的“粒子”,每个粒子表示一个解,然后通过不断调整每个粒子的位置和速度,使它们向着最优解的方向移动,从而逐步逼近最优解。然后,在每次迭代中,分别更新每个粒子的速度和位置,并更新每个粒子的最优位置和全局最优位置。初始化种群:根据问题的特性和要求,随机生成一定数量的解,作为初始的种群。原创 2023-04-08 09:36:26 · 1126 阅读 · 0 评论 -
最全的PyTorch学习资源汇总
最全的PyTorch学习资源汇总:PyTorch中文官方文档:https://pytorch-cn.readthedocs.io/zh/latest/。阅读上述英文文档比较困难的同学也不要紧,我们为大家准备了比较官方的PyTorch中文文档,文档非常详细的介绍了各个函数,可作为一份PyTorch的速查宝典。原创 2023-04-07 22:52:49 · 216 阅读 · 0 评论 -
因果推断-学习入门路径(网站与代码)
最近项目中碰到越来越多的【因果推断】的项目。而普通的AI(神经网络)只能预测相关性,不能判断因果,这会严重限制模型的用途。因此向大家隆重推荐以下的文章和包,用于【因果推断】的场景。3)Uber出品的因果推断python包。1)因果推断入门——为什么需要因果分析。2)机器学习AI时代的因果推断。4)基于3)的实战例子。原创 2023-04-07 22:28:48 · 255 阅读 · 0 评论 -
最短路径算法及Python实现
该算法的基本思想是从起点开始,依次计算每个节点到起点的最短路径,然后再依次计算每个节点到起点的最短路径,直到所有节点都被计算完毕。由于约束条件保证了路径的起点和终点,因此该模型可以确保求解的是从源节点到汇节点的最短路径。第二个约束条件表示从任意节点 出发的边的数量必须等于从该节点进入的边的数量,除非该节点为源节点或汇节点。target: 目标节点,即终止节点,默认为None,表示计算源节点到图中所有节点的最短路径。source: 源节点,即起始节点,默认为None,表示计算图中所有节点的最短路径。原创 2023-04-07 21:54:44 · 5485 阅读 · 0 评论 -
特征筛选之特征递归消除法及Python实现
最终,我们可以得到一个包含20个最优特征的特征集合,并且相应的模型性能评价指标也达到了最优。然后,我们创建了一个逻辑回归模型,并创建了一个特征递归消除法对象,并指定要选择最优的20个特征。假设我们有一个数据集,包含100个特征和一个二分类目标变量,我们使用逻辑回归模型和特征递归消除法来选择最优的20个特征。根据特征的权重或重要性,选择性能评价指标排名最低的特征(比如权重最小的特征),将其从特征集合中剔除,得到新的特征集合,包含99个特征。然后,选择性能评价指标排名最低的特征,将其从特征集合中剔除。原创 2023-04-08 02:30:00 · 2629 阅读 · 0 评论 -
DBSCAN聚类算法及Python实现
核心点是周围某个半径内有足够多其他数据点的数据点,边界点是不满足核心点要求,但在某个核心点的半径内的数据点,噪声点则是不满足任何条件的点。接着,从核心点开始,通过密度相连的数据点不断扩张,形成一个簇。接着,我们选取下一个未被分类的点,这里是(8,8),将其标记为“核心点”,并将与它距离在 内的所有点加入同一簇中,这里包括(8,9)和(9,8)。最后,我们选取最后一个未被分类的点,(15,15),但该点只有1个点在 a 内,不足以满足minPts 的要求,因此该点被标记为噪声点。默认值为2,即欧式距离。原创 2023-04-12 00:30:00 · 1664 阅读 · 0 评论 -
一篇文章搞定《动手学深度学习》-(李沐)PyTorch版本的所有内容
一篇文章搞定《动手学深度学习》-(李沐)PyTorch版本的所有内容原创 2023-04-04 15:20:17 · 1554 阅读 · 2 评论 -
动手学深度学习(李沐)的pytorch版本(包含代码和PDF版本)
动手学深度学习(李沐)的pytorch版本(包含代码和PDF版本),《动手学深度学习》PyTorch版本TendorFlow版本(内有所有代码和PDF版下载地址)原创 2023-04-04 15:00:22 · 12349 阅读 · 1 评论 -
动手学深度学习-(李沐)PyTorch版本
《动手学深度学习》PyTorch版本和TendorFlow版本(内有所有代码和PDF版下载地址)原创 2023-04-04 14:30:08 · 7018 阅读 · 0 评论 -
【时间序列】Transformer for TimeSeries时序预测算法详解
2017年,Google的一篇为我们带来了Transformer,其在NLP领域的重大成功展示了它对时序数据的强大建模能力,自然有人想要把Transformer应用到时序数据预测上。在Transformer的基础上构建时序预测能力可以突破以往的诸多限制,最明显的一个增益点是,Transformer for TS可以基于Multi-head Attention结构具备同时建模长期和短期时序特征的能力。原创 2023-03-30 20:15:44 · 6879 阅读 · 1 评论 -
Python 机器学习 数据归一化
Python 机器学习 数据归一化原创 2023-01-12 03:30:00 · 744 阅读 · 0 评论 -
PyTorch 机器学习与深度学习的区别
深度学习与传统的机器学习最主要的区别在于随着数据规模的增加其性能也不断增长。当数据很少时,深度学习算法的性能并不好。这是因为深度学习算法需要大量的数据来完美地理解它。另一方面,在这种情况下,传统的机器学习算法使用制定的规则,性能会比较好。本文主要介绍PyTorch 机器学习与深度学习的区别。原创 2023-01-15 03:30:00 · 311 阅读 · 0 评论 -
机器学习:机器学习常见的算法分类和算法优缺点汇总
机器学习:机器学习常见的算法分类和算法优缺点汇总.机器学习实战教程(13篇)_M_Q_T的博客-CSDN博客这些网址非常适合想学习机器学习,却苦于没有项目(尤其缺少数据)的人。无意中看到,给自己做一个记录。原创 2023-01-06 11:47:08 · 2533 阅读 · 0 评论 -
机器学习实战教程汇总(十三篇)
机器学习实战教程(一):K-近邻算法(史诗级干货长文)https://cuijiahua.com/blog/2017/11/ml_1_knn.html机器学习实战教程(二):决策树基础篇之让我们从相亲说起https://cuijiahua.com/blog/2017/11/ml_2_decision_tree_1.html机器学习实战教程(三):决策树实战篇之为自己配个隐形眼镜http...原创 2023-01-06 11:27:20 · 12615 阅读 · 5 评论 -
Pytorch介绍与基本使用
Pytorch介绍与基本使用原创 2023-01-04 17:23:02 · 4025 阅读 · 0 评论