<?xml version="1.0" encoding="utf-8" ?><rss version="2.0"><channel><title><![CDATA[Fox_Alex的博客]]></title><description><![CDATA[]]></description><link>https://blog.youkuaiyun.com/Fox_Alex</link><language>zh-cn</language><generator>https://blog.youkuaiyun.com/</generator><copyright><![CDATA[Copyright &copy; Fox_Alex]]></copyright><item><title><![CDATA[C++语法基础备份]]></title><link>https://blog.youkuaiyun.com/Fox_Alex/article/details/124204709</link><guid>https://blog.youkuaiyun.com/Fox_Alex/article/details/124204709</guid><author>Fox_Alex</author><pubDate>Fri, 15 Apr 2022 22:35:43 +0800</pubDate><description><![CDATA[C++语法基础备份

目录C++语法基础备份1. 变量（1）变量定义（2）变量初始化（3）变量的实现2. 常量（1）整数字面量a. 十进制b. 八进制c. 十六进制（2）浮点字面量a. 小数形式：由数字和小数点组成b. 指数形式（3）字符字面量（4）符号常量A. 初始化B. 修饰谁的问题a.  重要！！！ const对指针的修饰4. 数据类型（1）基本类型A. 整数类型a. 数值整数b. 字符类型B. 浮点类型a. cout的输出问题（2）复合类型A. 数组的初始化B. 常用的字符串函数

1. 变量
（1]]></description><category></category></item><item><title><![CDATA[深度学习5 RNN]]></title><link>https://blog.youkuaiyun.com/Fox_Alex/article/details/121666067</link><guid>https://blog.youkuaiyun.com/Fox_Alex/article/details/121666067</guid><author>Fox_Alex</author><pubDate>Wed, 01 Dec 2021 22:17:43 +0800</pubDate><description><![CDATA[深度学习4 RNN

目录深度学习4 RNN1. RNN（1）用途（2）结构2. 长短时记忆网络3. GRU

1. RNN
（1）用途
  现实生活中的数据存在序列化结构，我们需要建立一种更优秀的序列数据模型。例如：文本：字母和词汇的序列，语音：音节的序列，视频：图像帧的序列，时态数据：气象观测数据，股票交易数据、房价数据等。
（2）结构
  循环神经网络是一种人工神经网络，它的节点间的连接形成一个遵循时间序列的有向图，它的核心思想是，样本间存在顺序关系，每个样本和它之前的样本存在关联。通过神经网络在时序]]></description><category></category></item><item><title><![CDATA[深度学习4 CNN]]></title><link>https://blog.youkuaiyun.com/Fox_Alex/article/details/121585897</link><guid>https://blog.youkuaiyun.com/Fox_Alex/article/details/121585897</guid><author>Fox_Alex</author><pubDate>Sun, 28 Nov 2021 00:08:01 +0800</pubDate><description><![CDATA[深度学习4 CNN

目录深度学习4 CNN1. 卷积2. CNN

1. 卷积

卷积：(f*g)(n)成为 fff 和 ggg 的卷积，连续卷积和离散卷积可以表达为如下形式： (f∗g)(n)=∫−∞∞f(τ)g(n−τ)dτ&nbsp;n=τ+(n−τ)&nbsp;(f∗g)(n)=∑τ=−∞∞f(τ)g(n−τ) (f * g)(n)=\int_{-\infty}^{\infty} f(\tau) g(n-\tau) d \tau \ n = \tau + (n - \tau) \ (f * g)(]]></description><category></category></item><item><title><![CDATA[深度学习3 前馈神经网络]]></title><link>https://blog.youkuaiyun.com/Fox_Alex/article/details/121504775</link><guid>https://blog.youkuaiyun.com/Fox_Alex/article/details/121504775</guid><author>Fox_Alex</author><pubDate>Tue, 23 Nov 2021 23:31:13 +0800</pubDate><description><![CDATA[深度学习3 前馈神经网络

目录深度学习3 前馈神经网络1. 神经元模型（M-P）（1）公式（2）运算（3）结构2. 感知机模型（1）单层感知机（2）多层感知器（3）BP算法

1. 神经元模型（M-P）
（1）公式
  在M-P模型中，神经元接受其他n个神经元的输入信号(0或1)，这些输入信号经过权重加权并求和，将求和结果与阈值(threshold) θ 比较，然后经过激活函数处理，得到神经元的输出。 y=f(∑i=1nωijxi−θ) y=f\left(\sum_{i=1}^{n} \omega_{i ]]></description><category></category></item><item><title><![CDATA[机器学习2 机器学习误差分析与代表性算法]]></title><link>https://blog.youkuaiyun.com/Fox_Alex/article/details/121446461</link><guid>https://blog.youkuaiyun.com/Fox_Alex/article/details/121446461</guid><author>Fox_Alex</author><pubDate>Sat, 20 Nov 2021 22:20:24 +0800</pubDate><description><![CDATA[机器学习2 机器学习误差分析与代表性算法

目录机器学习2 机器学习误差分析与代表性算法1. 误差分析（1）误差公式（2）欠拟合与过拟合2. 代表性的算法（1）有监督a. 逻辑回归b. 随机森林c. SVM2. 无监督聚类

1. 误差分析
（1）误差公式
  数据集上需要预测的样本为Y，特征为X，潜在模型为 Y=f(X)+εY=f(X)+εY=f(X)+ε，其中ε∼N(0,σε)ε \sim N(0,σ_ε)ε∼N(0,σε​)是噪声, 估计的模型为f^(X)\hat{f}(X)f^​(X). Err⁡(]]></description><category></category></item><item><title><![CDATA[机器学习数学基础]]></title><link>https://blog.youkuaiyun.com/Fox_Alex/article/details/121389024</link><guid>https://blog.youkuaiyun.com/Fox_Alex/article/details/121389024</guid><author>Fox_Alex</author><pubDate>Wed, 17 Nov 2021 22:48:42 +0800</pubDate><description><![CDATA[机器学习1 机器学习数学基础

目录机器学习1 机器学习数学基础1. 概率统计（1）常见的概率分布a. 伯努利分布：0-1分布b. 二项分布：n次伯努利分布，各次实验之间独立c. 均匀分布d. 高斯分布（正态）e. 指数分布（2）多变量概率分布（3）全概率公式与贝叶斯公式（4）方差与协方差2. 矩阵（1）矩阵基础a. 矩阵b. 张量c. 矩阵的秩(Rank)d. 矩阵的逆e. 矩阵的广义逆矩阵f. 矩阵的特征值、特征向量、迹、行列式（2）矩阵分解a. 矩阵特征值分解b. 矩阵奇异值分解3. 信息论（1）基础]]></description><category></category></item><item><title><![CDATA[集成学习Day11 Boosting (3) XGBoost算法及实现]]></title><link>https://blog.youkuaiyun.com/Fox_Alex/article/details/116176284</link><guid>https://blog.youkuaiyun.com/Fox_Alex/article/details/116176284</guid><author>Fox_Alex</author><pubDate>Tue, 27 Apr 2021 00:07:00 +0800</pubDate><description><![CDATA[集成学习Day11 Boosting (3) XGBoost算法

目录集成学习Day11 Boosting (3) XGBoost算法1. XGBoost算法（3）sklearn代码

1. XGBoost算法
XGBoost是陈天奇等人开发的一个开源机器学习项目，高效地实现了GBDT算法并进行了算法和工程上的许多改进，被广泛应用在Kaggle竞赛及其他许多机器学习竞赛中并取得了不错的成绩。XGBoost本质上还是一个GBDT，但是力争把速度和效率发挥到极致，所以叫X (Extreme) GBoosted]]></description><category></category></item><item><title><![CDATA[集成学习Day10 Boosting (2) 前向分步算法与梯度提升决策树（GBDT）]]></title><link>https://blog.youkuaiyun.com/Fox_Alex/article/details/116068845</link><guid>https://blog.youkuaiyun.com/Fox_Alex/article/details/116068845</guid><author>Fox_Alex</author><pubDate>Fri, 23 Apr 2021 23:04:01 +0800</pubDate><description><![CDATA[集成学习Day9 Boosting (1)

目录集成学习Day9 Boosting (1)1. Boosting（1）强可学习与弱可学习（2）Boosting原理2 Adaboost（1）Adaboost原理（2）sklearn代码

1. Boosting
（1）强可学习与弱可学习
  Valiant和Kearns提出了“强可学习”与“弱可学习”概念。在概率近似正确PAC框架下，

强可学习：识别准确率很高并且能在多项式时间内完成的学习算法；
弱可学习：识别错误率小于1/2（即准确率仅比随机猜测高的学习]]></description><category></category></item><item><title><![CDATA[集成学习Day9 Boosting (1)]]></title><link>https://blog.youkuaiyun.com/Fox_Alex/article/details/115866100</link><guid>https://blog.youkuaiyun.com/Fox_Alex/article/details/115866100</guid><author>Fox_Alex</author><pubDate>Mon, 19 Apr 2021 21:58:52 +0800</pubDate><description><![CDATA[集成学习Day9 Boosting (1)

目录集成学习Day9 Boosting (1)1. Boosting（1）Bagging原理（2）sklearn代码

1. Boosting
（1）Bagging原理
  与投票法不同的是，Bagging不仅仅集成模型最后的预测结果，同时采用一定策略来影响基模型训练，保证基模型可以服从一定的假设。在投票法中，我们希望各个模型之间具有较大的差异性，而在实际操作中的模型却往往是同质的，因此一个简单的思路是通过不同的采样增加模型的差异性。
  Bagging的核心在]]></description><category></category></item><item><title><![CDATA[集成学习Day8 Bagging]]></title><link>https://blog.youkuaiyun.com/Fox_Alex/article/details/115799518</link><guid>https://blog.youkuaiyun.com/Fox_Alex/article/details/115799518</guid><author>Fox_Alex</author><pubDate>Sat, 17 Apr 2021 19:17:21 +0800</pubDate><description><![CDATA[集成学习Day8 Bagging

目录集成学习Day8 Bagging1. Bagging（1）Bagging原理（2）sklearn代码

1. Bagging
（1）Bagging原理
  与投票法不同的是，Bagging不仅仅集成模型最后的预测结果，同时采用一定策略来影响基模型训练，保证基模型可以服从一定的假设。在投票法中，我们希望各个模型之间具有较大的差异性，而在实际操作中的模型却往往是同质的，因此一个简单的思路是通过不同的采样增加模型的差异性。
  Bagging的核心在于自助采样(bootst]]></description><category></category></item><item><title><![CDATA[集成学习Day7 投票法]]></title><link>https://blog.youkuaiyun.com/Fox_Alex/article/details/115710354</link><guid>https://blog.youkuaiyun.com/Fox_Alex/article/details/115710354</guid><author>Fox_Alex</author><pubDate>Wed, 14 Apr 2021 23:02:55 +0800</pubDate><description><![CDATA[集成学习Day7 投票法

目录集成学习Day7 投票法1. 投票法（1）投票法原理（2）sklearn代码（pipe管道+voting）

1. 投票法
（1）投票法原理
   集成学习（ensemble learning）是通过构建并结合多个学习器来完成学习任务。而投票法是集成学习的常用技巧，它是一种遵循少数服从多数原则的集成学习模型，使用投票法可以有效提升模型的泛化能力，减少模型的错误率。在理想情况下，投票法的预测结果应当优于任何一个基模型的预测结果。投票法同时适用于回归模型和分类模型。
   对于回]]></description><category></category></item><item><title><![CDATA[集成学习Day6 sklearn分类模型的评估、优化与基于SVM的人脸分类实例]]></title><link>https://blog.youkuaiyun.com/Fox_Alex/article/details/115310220</link><guid>https://blog.youkuaiyun.com/Fox_Alex/article/details/115310220</guid><author>Fox_Alex</author><pubDate>Mon, 29 Mar 2021 23:09:01 +0800</pubDate><description><![CDATA[集成学习Day6 sklearn分类模型的评估、优化与人脸分类实例

目录集成学习Day6 sklearn分类模型的评估、优化与人脸分类实例1. 模型评估与优化（1）超参数选择A 使用网格搜索选择超参数B 使用随机搜索选择超参数（2）模型评估（以乳腺癌数据集二分类为例）A 混淆矩阵B ROC曲线2. 基于SVM的人脸分类（1）数据集（2）数据处理——PCA降维、数据集划分（3）网格搜索寻找最优超参数（4）训练、预测（5）结果评估

1. 模型评估与优化
（1）超参数选择
A 使用网格搜索选择超参数
from]]></description><category></category></item><item><title><![CDATA[集成学习Day5 sklearn分类实例]]></title><link>https://blog.youkuaiyun.com/Fox_Alex/article/details/115256109</link><guid>https://blog.youkuaiyun.com/Fox_Alex/article/details/115256109</guid><author>Fox_Alex</author><pubDate>Sat, 27 Mar 2021 23:10:33 +0800</pubDate><description><![CDATA[集成学习Day5 sklearn分类实例

目录集成学习Day5 sklearn分类实例1. 收集数据集并选择合适的特征

1. 收集数据集并选择合适的特征
   （1）数据集选择IRIS鸢尾花数据集，使用sklearn读取；
from sklearn import datasets
import pandas as pd 

iris = datasets.load_iris()
X = iris.data  
y = iris.target  
feature = iris.feature_names
]]></description><category></category></item><item><title><![CDATA[集成学习Day2 sklearn回归实例  && Day 3 偏差方差理论与测试误差估计 && Day 4模型超参数调优]]></title><link>https://blog.youkuaiyun.com/Fox_Alex/article/details/114950969</link><guid>https://blog.youkuaiyun.com/Fox_Alex/article/details/114950969</guid><author>Fox_Alex</author><pubDate>Thu, 18 Mar 2021 17:42:48 +0800</pubDate><description><![CDATA[集成学习Day2 sklearn回归实例

目录集成学习Day2 sklearn回归实例1. 使用sklearn构建完整机器学习项目的流程2. 使用sklearn进行Boston房价回归预测（1）这是一个回归问题（2）Boston数据集读取与特征分析（3）选择模型度量标准（3）回归模型选择

1. 使用sklearn构建完整机器学习项目的流程
   （1）明确项目任务：回归/分类；
   （2）收集数据集，选择合适的特征；
   （3）选择度量模型性能的指标；
   （4）选择具体的模型并进行训练以优化模型]]></description><category></category></item><item><title><![CDATA[集成学习Day1 机器学习简述与sklearn]]></title><link>https://blog.youkuaiyun.com/Fox_Alex/article/details/114853244</link><guid>https://blog.youkuaiyun.com/Fox_Alex/article/details/114853244</guid><author>Fox_Alex</author><pubDate>Mon, 15 Mar 2021 22:39:13 +0800</pubDate><description><![CDATA[集成学习Day1 机器学习简述与sklearn

目录集成学习Day1 机器学习简述与sklearn1. 机器学习简述(1) 监督学习(2) 无监督学习(3) 强化学习2. sklearn代码(1) 回归例子：可视化波士顿房价和一氧化碳浓度的关系(2) 分类例子：可视化鸢尾花数据集(3) 无监督例子：月牙型非凸集和符合正态分布的聚类数据

1. 机器学习简述
   机器学习的一个主要任务是用数学模型理解数据，发现数据中的规律并用来做分析和预测。通常会将机器学习方法分为监督学习，无监督学习和强化学习。
(1)]]></description><category></category></item><item><title><![CDATA[腾讯精选50题—Day17题目 344,557]]></title><link>https://blog.youkuaiyun.com/Fox_Alex/article/details/113404533</link><guid>https://blog.youkuaiyun.com/Fox_Alex/article/details/113404533</guid><author>Fox_Alex</author><pubDate>Fri, 29 Jan 2021 19:25:03 +0800</pubDate><description><![CDATA[腾讯精选50题—Day17题目 344,557
  第十七天，今天是组队打卡的最后一天，新的起点，起航~ 芜湖~

目录腾讯精选50题—Day17题目 344,5571. 题目344 反转字符串(1) 题目描述(2) 思路(3) 题解2. 题目557 反转字符串中的单词 III(1) 题目描述(2) 思路(3) 题解

1. 题目344 反转字符串
(1) 题目描述

(2) 思路
   折半替换即可。
(3) 题解
class Solution {
public:
    void reverseStri]]></description><category></category></item><item><title><![CDATA[腾讯精选50题—Day16题目 237,238,292]]></title><link>https://blog.youkuaiyun.com/Fox_Alex/article/details/113359876</link><guid>https://blog.youkuaiyun.com/Fox_Alex/article/details/113359876</guid><author>Fox_Alex</author><pubDate>Thu, 28 Jan 2021 23:26:29 +0800</pubDate><description><![CDATA[腾讯精选50题—Day16题目 227
  第十六天~

目录腾讯精选50题—Day16题目 2271. 题目237 删除链表中的节点(1) 题目描述(2) 思路(3) 题解2. 题目(1) 题目描述(2) 思路(3) 题解3. 题目(1) 题目描述(2) 思路(3) 题解参考

1. 题目237 删除链表中的节点
(1) 题目描述

(2) 思路
   因为没有告诉链表头，所以直接复制+删除即可。
(3) 题解
class Solution {
public:
    
    void deleteNo]]></description><category></category></item><item><title><![CDATA[腾讯精选50题—Day15题目 231,235,236]]></title><link>https://blog.youkuaiyun.com/Fox_Alex/article/details/113283848</link><guid>https://blog.youkuaiyun.com/Fox_Alex/article/details/113283848</guid><author>Fox_Alex</author><pubDate>Thu, 28 Jan 2021 00:15:28 +0800</pubDate><description><![CDATA[腾讯精选50题—Day15题目 231,235,236
  第十五天~

目录腾讯精选50题—Day15题目 231,235,2361. 题目231 2的幂(1) 题目描述(2) 思路(3) 题解2. 题目 235 二叉搜索树的最近公共祖先(1) 题目描述(2) 思路(3) 题解3. 题目236 二叉树的最近公共祖先(1) 题目描述(2) 思路(3) 题解参考

1. 题目231 2的幂
(1) 题目描述


(2) 思路
   笨方法，循环。
(3) 题解
class Solution {
public:]]></description><category></category></item><item><title><![CDATA[腾讯精选50题—Day14题目 215,217,230]]></title><link>https://blog.youkuaiyun.com/Fox_Alex/article/details/113198138</link><guid>https://blog.youkuaiyun.com/Fox_Alex/article/details/113198138</guid><author>Fox_Alex</author><pubDate>Tue, 26 Jan 2021 23:21:31 +0800</pubDate><description><![CDATA[腾讯精选50题—Day14题目 215,217,230
  第十四天~

目录腾讯精选50题—Day14题目 215,217,2301. 题目 215 寻找第K大的数  经典面试题(1) 题目描述(2) 思路(3) 题解2. 题目 217 存在重复元素(1) 题目描述(2) 思路(3) 题解3. 题目(1) 题目描述(2) 思路(3) 题解参考

1. 题目 215 寻找第K大的数  经典面试题
(1) 题目描述

(2) 思路
   利用快排中的partition+双指针。
(3) 题解
class So]]></description><category></category></item><item><title><![CDATA[腾讯精选50题—Day13题目160,169,206]]></title><link>https://blog.youkuaiyun.com/Fox_Alex/article/details/113151676</link><guid>https://blog.youkuaiyun.com/Fox_Alex/article/details/113151676</guid><author>Fox_Alex</author><pubDate>Tue, 26 Jan 2021 00:08:09 +0800</pubDate><description><![CDATA[腾讯精选50题—Day13题目160,169,206
  第十三天~

目录腾讯精选50题—Day13题目160,169,2061. 题目160 相交链表(1) 题目描述(2) 思路(3) 题解2. 题目169 多数元素(1) 题目描述(2) 思路(3) 题解3. 题目206 反转链表(1) 题目描述(2) 思路(3) 题解

1. 题目160 相交链表
(1) 题目描述



(2) 思路
   公共部分长度为p，去除公共部分后链表A长度为m，链表B长度为n，那么让指针分别遍历一遍链表A和B，在遍历过程中]]></description><category></category></item></channel></rss>