<?xml version="1.0" encoding="utf-8" ?><rss version="2.0"><channel><title><![CDATA[PRINCE2327的博客]]></title><description><![CDATA[]]></description><link>https://blog.youkuaiyun.com/PRINCE2327</link><language>zh-cn</language><generator>https://blog.youkuaiyun.com/</generator><copyright><![CDATA[Copyright &copy; PRINCE2327]]></copyright><item><title><![CDATA[2021-01-30]]></title><link>https://blog.youkuaiyun.com/PRINCE2327/article/details/113410950</link><guid>https://blog.youkuaiyun.com/PRINCE2327/article/details/113410950</guid><author>PRINCE2327</author><pubDate>Sun, 31 Jan 2021 10:11:10 +0800</pubDate><description><![CDATA[1 Task1
1.1 数据处理
\qquad本问题中，我们将考察未来50年鲱鱼和鲭鱼的迁移情况。虽然鱼的迁移受许多因素的影响，但此处为了简化模型同时抓住主要因素，我们只考虑海水温度的影响。
1.1.1 数据集
\qquad我们使用了NOAA-SST数据集来拟合模型进而预测未来50年的海水温度变化趋势。该数据集是从全球海洋大气综合数据集（ICOADS）导出的全球月海表温度数据集，包含从88.0N-88.0S，0.0E-358E在内的从1854年开始到今年的月平均全球海洋表面温度。在空间上，SST数据集以2.]]></description><category></category></item><item><title><![CDATA[机器学习——回归——一元线性回归]]></title><link>https://blog.youkuaiyun.com/PRINCE2327/article/details/110877069</link><guid>https://blog.youkuaiyun.com/PRINCE2327/article/details/110877069</guid><author>PRINCE2327</author><pubDate>Wed, 09 Dec 2020 11:55:39 +0800</pubDate><description><![CDATA[理论部分
1.1 回归问题
回归与分类不同，分类的目的是区分不同样本的类别，而回归问题则是要求预测输入变量与输出变量间的关系，即研究输出关于输入的函数映射关系。回归问题的学习过程等价于拟合过程：选择一条曲线使得其能够较为良好地拟合数据点的分布。
1.2 回归问题分类
回归问题依据不同的标准可以划分为不同的类别。例如，依据输入与输出之间的函数关系，可以分为线性回归与非线性回归，或者是一元回归与多元回归。依据输出变量取值的离散与连续性，可以分为离散回归与连续回归。
1.3 线性回归
线性回归指输入变量最高次数为]]></description><category></category></item><item><title><![CDATA[机器学习——聚类——密度聚类法——OPTICS]]></title><link>https://blog.youkuaiyun.com/PRINCE2327/article/details/110412944</link><guid>https://blog.youkuaiyun.com/PRINCE2327/article/details/110412944</guid><author>PRINCE2327</author><pubDate>Sat, 05 Dec 2020 20:37:55 +0800</pubDate><description><![CDATA[目录理论部分1.1 提出背景1.2 OPTICS算法1.2.1 基本概念
理论部分
1.1 提出背景
在DBSCAN算法中，需要人为确定领域半径ϵ\epsilonϵ和密度阈值MMM,同时该算法的性能又对这两个超参数非常敏感，不同的初始参数设定会导致完全不同的结果。基于此，学者们提出了新的聚类算法OPTICS。该聚类算法同样也是基于密度聚类的算法，与DBSCAN不同的是，该算法的设计使得其对初始超参数的设定敏感度较低。
1.2 OPTICS算法
1.2.1 基本概念
·核心距离
一个对象ppp的核心距离定义为]]></description><category></category></item><item><title><![CDATA[机器学习——聚类——密度聚类法——DBSCAN]]></title><link>https://blog.youkuaiyun.com/PRINCE2327/article/details/109983182</link><guid>https://blog.youkuaiyun.com/PRINCE2327/article/details/109983182</guid><author>PRINCE2327</author><pubDate>Mon, 23 Nov 2020 17:59:13 +0800</pubDate><description><![CDATA[目录理论部分1.1 提出背景1.2 常见算法1.3 DBSCAN算法1.3.1 基本概念1.3.2 算法流程1.3.3 参数设置1.3.3 优点1.3.4 缺点1.3.5 可视化结果展示1.4 评估指标代码部分2.1 不使用sklearn实现2.2 使用sklearn实现
理论部分
1.1 提出背景
与K-means算法基于距离聚类不同，DBSCAN算法是基于样本点密度进行聚类。基于距离的聚类方法只适用于凸型数据尤其是球状分布的数据，而难以处理非凸数据，而密度聚类法可以很好地解决这个问题，密度聚类法的基本思]]></description><category></category></item><item><title><![CDATA[机器学习——聚类——距离聚类法——K-means]]></title><link>https://blog.youkuaiyun.com/PRINCE2327/article/details/109861129</link><guid>https://blog.youkuaiyun.com/PRINCE2327/article/details/109861129</guid><author>PRINCE2327</author><pubDate>Fri, 20 Nov 2020 21:50:47 +0800</pubDate><description><![CDATA[目录理论部分1.1 聚类概念1.1.1 定义1.1.2 与分类的区别1.2 相似度测量1.2.1 欧式距离1.2.2 马氏距离1.3 聚类准则1.3.1 试探方法1.3.2 聚类准则法1.4 常见聚类方法1.5 K均值聚类1.5.1 K均值聚类思想1.5.2 K均值聚类流程1.5.3 实例1.5.4 K均值聚类优点1.5.5 K均值聚类缺点1.6 评估指标代码部分2.1 K均值代码实现2.2 评估指标代码实现2.3 整体实现
理论部分
1.1 聚类概念
1.1.1 定义
定义： 对一批没有标出类别的模式样本]]></description><category></category></item><item><title><![CDATA[机器学习——《统计学习方法》学习笔记——统计学习及监督学习概论]]></title><link>https://blog.youkuaiyun.com/PRINCE2327/article/details/107550972</link><guid>https://blog.youkuaiyun.com/PRINCE2327/article/details/107550972</guid><author>PRINCE2327</author><pubDate>Sun, 26 Jul 2020 01:12:40 +0800</pubDate><description><![CDATA[目录1.统计学习1.1 统计学习定义1.2 统计学习流程2.统计学习分类2.1 基本分类2.1.1 监督学习2.1.2 无监督学习2.2 按模型分类2.3 按算法分类2.4 按技巧分类3.统计学习三要素4.模型评估与模型选择5.正则化与交叉验证
1.统计学习
1.1 统计学习定义
统计学习是关于计算机基于数据构建概论模型并运用模型进行对数据的分析与预测的一门学科。
解释：
1.“计算机”表示统计学习以计算机为平台。
2.“基于数据”表示统计学习是数据驱动的学科，即以研究数据为目的，对于数据的选择往往重要于对]]></description><category></category></item><item><title><![CDATA[深度学习——优化算法细谈（梯度下降/随机梯度下降/小批量梯度下降/动量法/Adagrad/RMSprop/Adadealt/Adam）及时实现]]></title><link>https://blog.youkuaiyun.com/PRINCE2327/article/details/107101170</link><guid>https://blog.youkuaiyun.com/PRINCE2327/article/details/107101170</guid><author>PRINCE2327</author><pubDate>Sat, 04 Jul 2020 01:39:33 +0800</pubDate><description><![CDATA[本文]]></description><category></category></item><item><title><![CDATA[Andrew Ng Machine Learning——Work(Six)——Support Vector Machine(Based on Python 3.7)]]></title><link>https://blog.youkuaiyun.com/PRINCE2327/article/details/106212137</link><guid>https://blog.youkuaiyun.com/PRINCE2327/article/details/106212137</guid><author>PRINCE2327</author><pubDate>Tue, 19 May 2020 13:29:43 +0800</pubDate><description><![CDATA[Python 3.7


所用数据集链接：
目录Support Vector MachineLinear kernel1.0 Pcakage1.1 Load data1.2 Visualization data1.3 Train model1.4 Decision boundary1.5 Visualization resultNonlinear kernel2.0 Package2.1 Load data2.2 View data2.3 Train model2.4 D...]]></description><category></category></item><item><title><![CDATA[Andrew Ng Machine Learning——Work(Five)——Bias and Variance(Based on Python 3.7)]]></title><link>https://blog.youkuaiyun.com/PRINCE2327/article/details/106171498</link><guid>https://blog.youkuaiyun.com/PRINCE2327/article/details/106171498</guid><author>PRINCE2327</author><pubDate>Sun, 17 May 2020 13:01:36 +0800</pubDate><description><![CDATA[Python 3.7


所用数据集链接：所用数据集链接(ex5data1.mat),提取码：c3yy
目录Bias and VarianceRegularized Linear Regression1.0 Package1.1 Load data1.2 Preprocess data1.3 Visualization data1.4 Regularized costfunction1.5 Regularized gradient1.6 Train model1....]]></description><category></category></item><item><title><![CDATA[Andrew Ng Machine Learning——Work(Four)——Feedback neural network(Based on Python 3.7)]]></title><link>https://blog.youkuaiyun.com/PRINCE2327/article/details/106085446</link><guid>https://blog.youkuaiyun.com/PRINCE2327/article/details/106085446</guid><author>PRINCE2327</author><pubDate>Tue, 12 May 2020 23:27:26 +0800</pubDate><description><![CDATA[Python 3.7


所用数据集链接：反向传播网络所用数据集(ex4data1.mat,ex4weights.mat),提取码：c3yy
目录Feedback neural network1.1 Load data1.2 Visualization data1.3 Data preprocess1.4 Load weights1.5 Unrolling data1.6 Deserialize data1.7 Sigmoid function1.8 Sigmoid ...]]></description><category></category></item><item><title><![CDATA[Andrew Ng Machine Learning——Work(Three)——Feedforward neural network（Based on Python 3.7)]]></title><link>https://blog.youkuaiyun.com/PRINCE2327/article/details/106042295</link><guid>https://blog.youkuaiyun.com/PRINCE2327/article/details/106042295</guid><author>PRINCE2327</author><pubDate>Sun, 10 May 2020 22:53:13 +0800</pubDate><description><![CDATA[Python 3.7


所用数据集链接：前馈神经网络所用数据及权重(ex3data1.mat,ex3weights.mat)，提取码:c3yy
Feedforward neural network
题目：仍然是上次手写数字识别的主题，这次用神经网络实现是为了展示神经网络相对于传统机器学习算法的强大，本次代码会非常简短（因为权重已经训练好了），在下一节中，我们将开始反向传播网络的设计，届时会从零开始书写。
1.0 Package
先导入相应包：
import num...]]></description><category></category></item><item><title><![CDATA[Andrew Ng Machine Learning——Work(Three)——Mult-classification(Based on Python 3.7)]]></title><link>https://blog.youkuaiyun.com/PRINCE2327/article/details/106033434</link><guid>https://blog.youkuaiyun.com/PRINCE2327/article/details/106033434</guid><author>PRINCE2327</author><pubDate>Sun, 10 May 2020 13:47:35 +0800</pubDate><description><![CDATA[Python 3.7


所用数据集链接：
目录Mult-classification1.0 Package1.1 Load data1.2 Visualization data1.3 Data preprocess1.4 Sigmoid function1.5 Regularized costfunction1.6 Regularized gradient1.7 Train model1.8 Model predict1.9 Evalute model1.10 A...]]></description><category></category></item><item><title><![CDATA[Andrew Ng Machine Learning——Work(Two)——Logistic regression——Regularized(Based on Python 3.7)]]></title><link>https://blog.youkuaiyun.com/PRINCE2327/article/details/106014525</link><guid>https://blog.youkuaiyun.com/PRINCE2327/article/details/106014525</guid><author>PRINCE2327</author><pubDate>Sat, 09 May 2020 13:03:42 +0800</pubDate><description><![CDATA[Python 3.7


所用数据集链接：
目录Regularized Logistic regression1.0 Package1.1 Load data1.2 Visualization data1.3 Data preprocess1.4 Feature mapping1.5 Sigmoid function1.6 Regularized costunction1.7 Regularized gradientfunction1.8 Train model1...]]></description><category></category></item><item><title><![CDATA[Andrew Ng Machine learning——Work(One)——Logistic regression——Bipartition(Based on Python 3.7)]]></title><link>https://blog.youkuaiyun.com/PRINCE2327/article/details/106006904</link><guid>https://blog.youkuaiyun.com/PRINCE2327/article/details/106006904</guid><author>PRINCE2327</author><pubDate>Fri, 08 May 2020 23:26:22 +0800</pubDate><description><![CDATA[Python 3.7


所用数据链接：二元逻辑回归数据(ex2data2.txt),提取码：c3yy
目录Bipartition Logistic regression1.0 Package1.1 Load data1.2 Visualization data1.3 Data processing1.4 Costfunction1.5 Gradientdescent1.6 Training model1.7 Plot Decision Boundary1.8 Ev...]]></description><category></category></item><item><title><![CDATA[Signal and Systems——Discussion(Two)]]></title><link>https://blog.youkuaiyun.com/PRINCE2327/article/details/105957508</link><guid>https://blog.youkuaiyun.com/PRINCE2327/article/details/105957508</guid><author>PRINCE2327</author><pubDate>Thu, 07 May 2020 13:54:29 +0800</pubDate><description><![CDATA[1.Assume x(t)↔FTX(jω)x(t) \xleftrightarrow[]{FT}X(j\omega)x(t)FT​X(jω), discuss the following problems:

Can ejaωX(ω)e^{ja \omega}X(\omega)ejaωX(ω)  be real, how?
Can X(jω)X(j\omega)X(jω)  be periodic...]]></description><category></category></item><item><title><![CDATA[Andrew Ng  Machine learning——Work(One)——Linear regression——Multivariate（Based on Pyhton 3.7)]]></title><link>https://blog.youkuaiyun.com/PRINCE2327/article/details/105952244</link><guid>https://blog.youkuaiyun.com/PRINCE2327/article/details/105952244</guid><author>PRINCE2327</author><pubDate>Wed, 06 May 2020 18:37:17 +0800</pubDate><description><![CDATA[Pyhton 3.7

目录Multivariate linear regression1.0 package1.1 load data1.2 visualization data1.3 data processing1.4 define costfunction1.5 gradientdescend1.6 visualization result
Multivariate linear reg...]]></description><category></category></item><item><title><![CDATA[Andrew Ng Machine learning——Work(One)——Linear regression——Univerate(Based on Python 3.7)]]></title><link>https://blog.youkuaiyun.com/PRINCE2327/article/details/105943600</link><guid>https://blog.youkuaiyun.com/PRINCE2327/article/details/105943600</guid><author>PRINCE2327</author><pubDate>Wed, 06 May 2020 12:26:45 +0800</pubDate><description><![CDATA[Python 3.7


目录Univerate linear regression1.0 package1.1 load  data1.2 visualization data1.3 data preprocessing1.4 define costfunction1.5 gradientdescend1.6 visualization result
...]]></description><category></category></item><item><title><![CDATA[信号与系统——初识到理解（第五章——傅立叶变换的应用）]]></title><link>https://blog.youkuaiyun.com/PRINCE2327/article/details/105693542</link><guid>https://blog.youkuaiyun.com/PRINCE2327/article/details/105693542</guid><author>PRINCE2327</author><pubDate>Thu, 23 Apr 2020 01:15:20 +0800</pubDate><description><![CDATA[目录第五章——傅立叶变换的应用信号与系统的时频域特性5.1 傅立叶变换的模和相位表示5.2 无失真传输系统（讨论连续情况，离散时足以整数约束即可）5.3 系统相位5.4 群延时采样5.5 通信中对信号的加工5.6 冲击串采样5.7 奈奎斯特采样定理5.8 零阶保持采样FT在通信中的应用(调制）5.9 应用（调制）的意义及方法5.10 以复指数信号为载波信号的调制5.11 以复指数信号为载波信号的解...]]></description><category></category></item><item><title><![CDATA[Deeplung:深度学习项目笔记（二）——医学影像学dicom,mhd及raw文件读取与可视化]]></title><link>https://blog.youkuaiyun.com/PRINCE2327/article/details/105655644</link><guid>https://blog.youkuaiyun.com/PRINCE2327/article/details/105655644</guid><author>PRINCE2327</author><pubDate>Tue, 21 Apr 2020 18:20:46 +0800</pubDate><description><![CDATA[目录医学影像学dicom文件相关1.1 什么是dicom图像1.2 dicom图像中有什么1.3 dicom结构及组成1.3.1 文件头1.3.2 数据集raw文件相关mhd文件相关附录(常见Tag说明）Patient TagStudy TagSeries TagImage Tag
医学影像学
医学影像是指为了医疗或医学研究，对人体或人体某部份，以非侵入方式取得内部组织影像的技术与处理过程。
目前...]]></description><category></category></item><item><title><![CDATA[机器学习——SVM算法的初识到深入]]></title><link>https://blog.youkuaiyun.com/PRINCE2327/article/details/105441298</link><guid>https://blog.youkuaiyun.com/PRINCE2327/article/details/105441298</guid><author>PRINCE2327</author><pubDate>Sat, 11 Apr 2020 12:18:17 +0800</pubDate><description><![CDATA[目录前言初始与了解1.1 线性分类器1.2 逻辑回归1.3 函数间隔与几何间隔1.4 SVM算法的引出深入与理解2.1 线性可分时1.2 线性不可分时1.3 核函数的引入1.4 SVM实际应用
前言
尽管对于SVM算法已有相当多的资料，但大多较为晦涩难懂，要求读者有较高的数理基础及逻辑能力。本文综合参考多本书籍和多篇文章，从浅至深的逐渐讲解SVM算法。一方面是对知识的输出学习，另一方面，旨在能够帮...]]></description><category></category></item></channel></rss>