- 博客(31)
- 资源 (13)
- 收藏
- 关注
原创 (三)结构化机器学习项目
第一周 机器学习(ML)策略(1)(ML strategy(1))1.1 为什么是ML策略?1.2 正交化(Orthogonalization)1.3 单一数字评估指标(Single number evaluation metric)评估你的分类器的一个合理方式是观察它的查准率(precision)和查全率(recall)。=>新的评估指标(F1 Score),能够结合查准率和查全率。会加速改进您的机器学习算法的迭代过程。1.4 满足和优化指标优化指标:要求最大化,尽可能好。满足指标:
2021-09-16 15:18:35
368
原创 (二)改善深层神经网络:超参数调试、正则化以及优化2
二、优化算法2.1 Mini-batch 梯度下降(Mini-batch gradient descent)将总样本分为m组,为X{1}、X{2}、…、X{t}、…、X{m};Y{1}、Y{2}、…、Y{t}、…、Y{m}。每次迭代处理单个的mini-batch X{t}和Y{t},而不是同时处理全部的X和Y训练集。总结用法:2.2 理解mini-batch梯度下降法(Understanding mini-batch gradient descent)使用batch梯度下降法的代价函数的值
2021-08-11 15:29:04
263
原创 (二)改善深层神经网络:超参数调试、正则化以及优化(后续待补充)
一、深度学习的实践层面1.1 训练,验证,测试集(Train / Dev / Test sets)和偏差、方差(Bias /Variance)在机器学习发展的小数据量时代,常见做法是将所有数据三七分,就是人们常说的70%验证集,30%测试集,如果没有明确设置验证集,也可以按照60%训练,20%验证和20%测试集来划分。这是前几年机器学习领域普遍认可的最好的实践方法。如果只有100条,1000条或者1万条数据,那么上述比例划分是非常合理的。但是在大数据时代,我们现在的数据量可能是百万级别,那么验证集和测
2021-07-28 14:46:48
568
原创 (一)神经网络和深度学习-测验题易错整理
对 https://hekuan.blog.csdn.net/article/details/79827273 中的第一门课的测验题目进行整理,记录个人易错点。1.用于识别猫的图像是“结构化”数据的一个例子,因为它在计算机中被表示为结构化矩阵,是真的吗?【 】正确【★】错误注:图片属于非结构化数据。2.统计不同城市人口、人均GDP、经济增长的人口统计数据集是“非结构化”数据的一个例子,因为它包含来自不同来源的数据,是真的吗?【 】正确【★】错误注:单纯的看以上数据的话就是非结构化数据,但是这
2021-07-28 14:44:21
1612
1
原创 (一)神经网络和深度学习
一、引言什么是深度学习?什么是神经网络?我们常常用深度学习这个术语来指训练神经网络的过程。有时它指的是特别大规模的神经网络训练。如下就是一个神经元。中间的函数被称作ReLU激活函数,它的全称是Rectified Linear Unit。神经网络的分类及其应用?目前几乎所有由神经网络创造的经济价值,本质上都离不开一种叫做监督学习的机器学习类别。在能处理结构化数据的同时,神经网络使得非结构化数据也能被更好解释。标准神经网络:点击预测在线广告、房地产……卷积(Convolutional Neura
2021-07-25 17:38:34
3577
原创 机器学习-推荐系统编程作业
一、正则化的代价函数Y:用户评分矩阵R:用户是否评分设影片个数为n,用户个数为m,则Y和R都为n×m大小矩阵X:电影特征矩阵theta:用户偏好矩阵param:序列化的X和thetadef serialize(X, theta): """序列化两个矩阵""" # X (movie, feature), (1682, 10): movie features # theta (user, feature), (943, 10): user preference .
2021-07-21 15:51:18
310
原创 机器学习-异常检测编程作业
异常检测步骤:选择处于异常状态(有反常样本)的特征作为输入针对每一个特征计算μ和σ2μi=1m∑j=1mxi(j)\mu_i=\frac{1}{m}\sum_{j=1}^mx_i^{(j)}μi=m1j=1∑mxi(j)σi2=1m∑j=1m(xi(j)−μi)2\sigma_i^2=\frac{1}{m}\sum_{j=1}^m(x_i^{(j)}-\mu_i)^2σi2=m1j=1∑m(xi(j)−μi)2你要做的是,输入一个X矩阵,输出2个n维的向量,mu包含了每
2021-07-21 11:24:04
219
原创 机器学习-组成成分分析编程作业
步骤:均值标准化、特征缩放(可选)计算协方差矩阵Σ及其特征向量def pca(X): # 归一化 X = (X - X.mean()) / X.std() # compute the covariance matrix X = np.matrix(X) # 计算协方差矩阵 cov = (X.T * X) / X.shape[0] # perform SVD U, S, V = np.linalg.svd(cov)
2021-07-21 11:23:47
131
原创 机器学习-K-Means算法编程作业
一、初始化聚类中心随机选择k个聚类中心:def init_centroids(X, k): m, n = X.shape centroids = np.zeros((k, n)) idx = np.random.randint(0, m, k) for i in range(k): centroids[i,:] = X[idx[i],:] return centroids二、簇分配为每个样本找到离它最近的簇中心:def
2021-07-21 11:23:33
394
原创 机器学习-支持向量机编程作业
from sklearn import svmsvc = svm.LinearSVC(C=1, loss='hinge', max_iter=1000)svc
2021-07-21 11:23:21
99
原创 机器学习-逻辑回归编程作业
一、处理数据(特征映射、初始化)特征映射为每组数据创造更多的特征,即将原有特征进行多项式组合、提高次幂。初始化数据二、正则化的代价函数J(θ)=1m∑i=1m[−y(i)log(hθ(x(i)))−(1−y(i))log(1−hθ(x(i)))]+λ2m∑j=1nθj2J\left( \theta \right)=\frac{1}{m}\sum\limits_{i=1}^{m}{[-{{y}^{(i)}}\log \left( {{h}_{\theta }}\left( {{x}^{(i)}
2021-07-21 11:23:08
276
原创 机器学习-线性回归编程作业
一、数据处理初始化X、y插入一列:data.insert(0,'Ones',1)#两种方法:#法一:用loc,根据列名X=data.loc[:,['Ones','Population']]y=data.loc[:,['Profit']]#法二:用iloc,根据列数cols=data.shape[1]#列数,也为theta的个数X = data.iloc[:,:-1]#X是data里的除最后列y = data.iloc[:,cols-1:cols]#y是data最后一列多特征
2021-07-21 11:22:54
231
原创 机器学习-神经网络编程作业
一、向前传播函数forward_propagate输入:X theta根据上图公式进行计算输出:a1、z2、a2、z3、h(a3)# 前向传播函数def forward_propagate(X, theta1, theta2): m = X.shape[0] # X:5000×400 a1 = np.insert(X, 0, values=np.ones(m), axis=1)# a1:5000×401 z2 = a1 * theta1.T a2 = n
2021-07-21 11:22:19
280
原创 机器学习-大规模机器学习
一、随机梯度下降法批量梯度下降法每次迭代求和要遍历完全部样本。每次都要同时考虑所有的训练样本,对于海量数据集,处理起来就很困难。针对单个样本重新定义cost函数:随机梯度下降法:随机打乱所有数据集(重新随机排列)(标准预处理过程);对所有样本进行遍历,每遍历一个样本就进行梯度下降。总的来看,参数是朝着全局最小化的方向移动的,整个过程还是以随机迂回的路径朝着全局最小值前进,相比于普通梯度下降,随机梯度下降的收敛形式是不同的,它所做的是连续不断在某个区域中朝着全局最小值方向徘徊。二
2021-07-21 11:21:49
100
原创 机器学习-推荐系统
一、问题引出案例:电影评分nu表示用户的数量、nm表示电影的数量。r(i,j)等于1时表示用户j给电影i进行了评价。y(i,j)表示当评价后会得到的具体的评价星值。推荐系统就是在给出了r(i,j)和y(i,j)的值后,会去查找那些没有被评级的电影,并试图预测这些电影的评价星级。二、基于内容的推荐算法提取出每部影片的特征(X)(如爱情成分、动作成分有多少),根据每个用户已有的电影评价(y)学习参数向量(θ),每一个用户对应一个线性回归的样本,进行回归预测。即有X去学习θ。问题的正式定义
2021-07-21 11:21:01
279
原创 软件工程北大慕课题
第一周:软件工程概论软件的定义及特点1单选(2分)软件产品与物质产品有很大的区别,软件产品是一种(C)产品。A.有形 B.消耗 C.逻辑 D.文档2多选(2分)下列关于软件的说法正确的是(BCD)A.软件是通过定制进而生产制造出来的 软件是设计开发的,而不是生产制造的B.软件没有磨损老化问题。C.软件开发的成本很高D.软件开发和运行必须依赖计算机环境3多选(2分)下列软件属于系统...
2020-01-23 13:56:33
69672
1
原创 使用canvas的签名实例
<!DOCTYPE html><html> <head> <meta charset="UTF-8"> <title></title> <style type="text/css"> *{ margin: 0; padding: 0; } body{ bac...
2019-08-27 17:52:41
189
原创 ES7
ES7指数运算符(幂): **Array.prototype.includes(value) : 判断数组中是否包含指定value console.log(3**3); let arr=[1,2,3,4,'abc']; console.log(arr.includes('a'));ESMA它是一种由ECMA组织(前身为欧洲计算机制造商协会)制定和发布的脚本语言规范而我们学的...
2019-08-24 18:05:50
192
原创 ES6(2)
1.Generator函数概念: 1、ES6提供的解决异步编程的方案之一 2、Generator函数是一个状态机,内部封装了不同状态的数据, 3、用来生成遍历器对象 4、可暂停函数(惰性求值), yield可暂停,next方法可启动。每次返回的是yield后的表达式结果特点: 1、function 与函数名之间有一个星号 2、内部用yield表达式来定义不同的状态 ...
2019-08-24 18:02:46
507
原创 ES6(1)
1.let关键字作用:与var类似, 用于声明一个变量特点: 在块作用域内有效;不能重复声明;不会预处理, 不存在提升应用:循环遍历加监听;使用let取代var是趋势let btns=document.getElementsByTagName("button"); for(let i=0;i<btns.length;i++){ let btn=btns[i]; btn....
2019-08-24 16:07:14
128
原创 ES5
理解:除了正常运行模式(混杂模式),ES5添加了第二种运行模式:“严格模式”(strict mode)。顾名思义,这种模式使得Javascript在更严格的语法条件下运行目的/作用消除Javascript语法的一些不合理、不严谨之处,减少一些怪异行为消除代码运行的一些不安全之处,为代码的安全运行保驾护航为未来新版本的Javascript做好铺垫使用在全局或函数的第...
2019-08-24 15:06:18
102
转载 CSS(bootstrap)
bootstrap简洁、直观、强悍的前端开发框架,让web开发更迅速、简单中文网 : http://www.bootcss.com/英文网 : http://getbootstrap.com/容器流体布局容器容器的width为auto,只是两边加了15px的padding。固定布局容器的width会随设备分辨率的不同而生产变化分辨率阈值w >=1200 容器的w...
2019-05-24 15:56:39
191
转载 CSS(预处理器)
less less是一种动态样式语言,属于css预处理器的范畴,它扩展了 CSS 语言,增加了变量、Mixin、函数等特性,使 CSS 更易维护和扩展。 LESS 既可以在客户端上运行 ,也可以借助Node.js在服务端运行。less的中文官网:http://lesscss.cn/bootstrap中less教程:http://www.bootcss.com/p/lesscss/Le...
2019-05-24 15:52:46
1333
转载 CSS(css3媒体查询)
css3媒体查询css3媒体查询是响应式方案核心媒体类型all 所有媒体(默认值)screen 彩色屏幕print 打印预览projection 手持设备tv 电视braille 盲文触觉设备embossed 盲文打印机spee...
2019-05-24 15:44:21
988
转载 CSS(选择器)
CSS选择器CSS3选择器规范地址: https://www.w3.org/TR/2011/REC-css3-selectors-20110929/CSS3选择最新选择器规范: https://www.w3.org/TR/selectors!---问题---! 1.css的全称是什么? 2.样式表的组成 3.浏览器读取编译css的顺序?1.基本选择器 /*通配符选择器*/...
2019-05-24 15:36:45
127
原创 MySQL(二)查询语句
查询语句目录:• 基本的SELECT语句• 过滤和排序数据• 分组函数• 分组查询• 多表查询• 分页查询注意:• SQL 语言大小写不敏感。• SQL 可以写在一行或者多行• 关键字不能被缩写也不能分行• 各子句一般要分行写。• 使用缩进提高语句的可读性。列的别名紧跟列名,也可以在列名和别名之间加入关键字‘AS’,别名使用双引号,以便在别名中包含空格或特殊的字符并...
2019-05-19 15:59:13
236
原创 MySQL(三)增删改
增删改• 使用 DML 语句• 向表中插入数据• 更新表中数据• 从表中删除数据1.DML(Data Manipulation Language –数据操纵语言)可以在下列条件下执行:– 向表中插入数据– 修改现存数据– 删除现存数据事务是由完成若干项工作的DML语句组成的2.INSERT 语句INSERT INTO table [(column [, column…])...
2019-05-19 15:08:55
119
原创 MySQL(一)常见函数
常见函数目录:• 字符函数• 数学函数• 日期函数• 流程控制函数【补充】1. 字符函数1)大小写控制函数函数:LOWER(‘SQL Course’)结果sql course函数:UPPER(‘SQL Course’)结果:SQL COURSE2)字符控制函数2.数学函数ROUND: 四舍五入ROUND(45.926, 2) => 45.93TRU...
2019-05-19 14:19:05
160
原创 Ajax(三)使用jQuery实现Ajax
jQuery对Ajax操作进行了封装,在jQuery中最底层的方法是$.ajax(),第二层(最常用)load(),$.get()和$.post(),第三层是$.getScript()和$.getJSON()load()方法var url=this.href;//若只想请求一部分数据,如只想要h2部分数据//var url=this....
2019-05-12 22:16:59
165
原创 Ajax(二)数据格式
数据格式提要在服务器端AJAX是一门与语言无关的技术。从服务器端接收数据的时候,那些数据必须以浏览器能够理解的格式来发送。服务器端的编程语言只能以如下三种格式返回数据:XMLJSONHTMLHTML小结优点:从服务器端发送的HTML代码在浏览器端不需要用JavaScript进行解析。HTML的可读性好HTML代码块与innerHTML属性搭配,效率高。缺点:若需要...
2019-05-12 10:49:46
126
原创 Ajax(一)介绍、相关属性及方法
Ajax是几种技术的聚合:服务器端语言XML描述数据的格式XTML使用HTML和CSS标准化呈现DOM实现动态现实和交互使用XMLHTTP组件XMLHttpRequest对象进行异步数据读取使用JavaScript绑定和处理所有数据Ajax的缺陷由js和Ajax引起导致的浏览器的兼容页面局部刷新,导致后退等功能失效对流媒体的支持没有FLASH、Java Applet...
2019-05-12 10:46:15
208
Java实验.rar
2020-01-23
C#计算器程序.rar
2020-01-23
数据库资料(课件及复习笔记).rar
2020-01-23
服务外包概论实验.rar
2020-01-23
编译原理作业及实验.rar
2020-01-23
Python课程资料.rar
2020-01-23
软件服务外包概论PPT.rar
2020-01-23
空空如也
TA创建的收藏夹 TA关注的收藏夹
TA关注的人