<?xml version="1.0" encoding="utf-8" ?><rss version="2.0"><channel><title><![CDATA[SYNICSN的博客]]></title><description><![CDATA[]]></description><link>https://blog.youkuaiyun.com/SYNICSN</link><language>zh-cn</language><generator>https://blog.youkuaiyun.com/</generator><copyright><![CDATA[Copyright &copy; SYNICSN]]></copyright><item><title><![CDATA[深度学习——torch框架 01]]></title><link>https://blog.youkuaiyun.com/SYNICSN/article/details/141870552</link><guid>https://blog.youkuaiyun.com/SYNICSN/article/details/141870552</guid><author>SYNICSN</author><pubDate>Mon, 09 Sep 2024 18:36:08 +0800</pubDate><description><![CDATA[Pytorch,TensorFlow会把数据封装为tensor(张量)（MXNet为ndarry）转换成张量因为可以在GPU上加速，同时可以自动微分。]]></description><category></category></item><item><title><![CDATA[花书解读与实现——第一章（1-19页）]]></title><link>https://blog.youkuaiyun.com/SYNICSN/article/details/141824959</link><guid>https://blog.youkuaiyun.com/SYNICSN/article/details/141824959</guid><author>SYNICSN</author><pubDate>Tue, 03 Sep 2024 19:18:54 +0800</pubDate><description><![CDATA[1、两个问题的解决都利用：修正M矩阵2、前者直接加上修正矩阵，使得不存在全为0的列即可3、后者需要对M矩阵进行等比例缩小，再加上加权处理后的修正矩阵。如此，才能让矩阵中不再存在为1的值4、Spider Traps的解决方法不可以用于Dead ends。原因如下：5、 Dead ends的解决方法不能用于Spider Traps，原因是直接加上一个矩阵，Spider Traps为1的值仍然无法解决6、两个方法的限制点：a. 列之和为1；b. 不能存在为1的值。]]></description><category></category></item><item><title><![CDATA[机器学习--岭回归，拉索回归，逻辑回归]]></title><link>https://blog.youkuaiyun.com/SYNICSN/article/details/139755315</link><guid>https://blog.youkuaiyun.com/SYNICSN/article/details/139755315</guid><author>SYNICSN</author><pubDate>Thu, 29 Aug 2024 19:51:48 +0800</pubDate><description><![CDATA[机器学习建立模块化思维，同时python也建立调包导包思维（不是在调包，就是在导包）机器学习的模块化是很严格的，：（pandas数据清洗）导入数据（后续pandas还是另讲吧）；：划分数据集（人工对数据集进行一部分的筛选），：特征工程（标注化归一化；特征选择与特征降维；在把数据转换为计算机认识的数据，中文英文文本，语音，字典列表等等数据转换）：建立预估器，根据算法与数据加载模型（前面提到的KNN,随机森林，梯度下降，岭回归，拉索回归，逻辑回归等等都是算法，算法很厉害，但更多也只是代码的一个包，一个模块）]]></description><category></category></item><item><title><![CDATA[机器学习——梯度下降，欠拟合过拟合]]></title><link>https://blog.youkuaiyun.com/SYNICSN/article/details/141640208</link><guid>https://blog.youkuaiyun.com/SYNICSN/article/details/141640208</guid><author>SYNICSN</author><pubDate>Wed, 28 Aug 2024 16:53:55 +0800</pubDate><description><![CDATA[机器学习是很严谨的，一个一个模块如：1.数据清洗与加载数据集 2.划分数据集 3.特征工程（变成计算机认识的数据，标准化归一化，特征降维） 4.建立预估器，根据算法与数据生成模型（我们前面的KNN,随机森林，决策树，朴素贝叶斯，随机梯度下降等等，都是在优化这一环节）5.保存模型与模型评估我深刻的意识到上游算法研发岗位的厉害，我们其实做的就是中下游的部署与微调或者应用层的实现，我或许这辈子没有机会到达算法研发这一步，当然压力与难度也是成倍增长的。]]></description><category></category></item><item><title><![CDATA[sklearn-随机森林与线性回归]]></title><link>https://blog.youkuaiyun.com/SYNICSN/article/details/141571343</link><guid>https://blog.youkuaiyun.com/SYNICSN/article/details/141571343</guid><author>SYNICSN</author><pubDate>Wed, 28 Aug 2024 14:18:20 +0800</pubDate><description><![CDATA[随机森林属于集成学习,通过构建一个包含多个决策树(通常称为基学习器或弱学习器)的森林，每棵树都在不同的数据子集和特征子集上进行训练，最终通过投票或平均预测结果来产生更准确和稳健的预测。（要经过测试集）算法原理：注意：不同的数据子集和特征子集合随机: 特征随机，训练集随机样本：对于一个总体训练集T，T中共有N个样本，每次有放回地随机选择n个样本。用这n个样本来训练一个决策树。特征：假设训练集的特征个数为d，每次仅选择k(k<d)个来构建决策树。]]></description><category></category></item><item><title><![CDATA[机器学习-朴素贝叶斯，决策树]]></title><link>https://blog.youkuaiyun.com/SYNICSN/article/details/141427615</link><guid>https://blog.youkuaiyun.com/SYNICSN/article/details/141427615</guid><author>SYNICSN</author><pubDate>Fri, 23 Aug 2024 09:24:13 +0800</pubDate><description><![CDATA[朴素贝叶斯，决策树，随机森林等等都是在预估器到生成模型这个环节，只是不同的算法而已，上次学习了KNN即生成预估器用KNN算法进行训练，生成模型，这次采用了朴素贝叶斯，决策树，随机森林等算法进行这个环节。]]></description><category></category></item><item><title><![CDATA[机器学习-sklearn-KNN算法与其模型优化]]></title><link>https://blog.youkuaiyun.com/SYNICSN/article/details/141398564</link><guid>https://blog.youkuaiyun.com/SYNICSN/article/details/141398564</guid><author>SYNICSN</author><pubDate>Wed, 21 Aug 2024 20:23:06 +0800</pubDate><description><![CDATA[初步的数据获取，数据清洗，数据预处理，特征工程后，可以把数据给预估器（像前面特征提取器一样的模块），在进行训练，生成模型，在对模型进行评估。底下是会具体讲解与应用的API实例化预估器(估计器)对象(estimator)， 预估器对象很多,都是estimator的子类（1）用于分类的预估器sklearn.neighbors.KNeighborsClassifier k-近邻sklearn.naive_bayes.MultinomialNB 贝叶斯。]]></description><category></category></item><item><title><![CDATA[机器学习——特征工程]]></title><link>https://blog.youkuaiyun.com/SYNICSN/article/details/141361040</link><guid>https://blog.youkuaiyun.com/SYNICSN/article/details/141361040</guid><author>SYNICSN</author><pubDate>Wed, 21 Aug 2024 16:41:44 +0800</pubDate><description><![CDATA[特征工程的目的是让机器可以识别到我们前面的特征即iris.data数据，现在生活中常常有问题比如文本，图像，字典等等数据机器不能直接识别，所有要进行特征工程；除此之外，也有筛选一些没有影响或者对我们目标的影响不大的特征。常见的特征提取有字典特征提取、文本特征提取、图像特征提取等。一般使用pandas来进行数据清洗和数据处理、使用sklearn来进行特征工程。]]></description><category></category></item><item><title><![CDATA[机器学习-初始机器学习与划分数据集]]></title><link>https://blog.youkuaiyun.com/SYNICSN/article/details/141332808</link><guid>https://blog.youkuaiyun.com/SYNICSN/article/details/141332808</guid><author>SYNICSN</author><pubDate>Mon, 19 Aug 2024 23:24:11 +0800</pubDate><description><![CDATA[机器学习本质上就是让计算机自己在数据中学习规律，并根据所得到的规律对未来数据进行预测。机器学习包括如聚类、分类、决策树、贝叶斯、神经网络、深度学习等算法。机器学习的基本思路是模仿人类学习行为的过程，如我们在现实中的新问题一般是通过经验归纳，总结规律，从而预测未来的过程，大致可以描述为：通过训练集与新数据让机器进行特征提取与分析，后将结果通过机器学习算法，生成预测模型，在将带有标注的数据给它进行预测机器学习的发展更多伴随着数学与算力的提升：在20世纪50年代之前，发现并且改进统计方法；20世纪50年代开始，使]]></description><category></category></item><item><title><![CDATA[OPenCV中图像的变换]]></title><link>https://blog.youkuaiyun.com/SYNICSN/article/details/141268173</link><guid>https://blog.youkuaiyun.com/SYNICSN/article/details/141268173</guid><author>SYNICSN</author><pubDate>Mon, 19 Aug 2024 18:41:30 +0800</pubDate><description><![CDATA[形态学变换是一种基于形状的简单变换，它的处理对象通常是二值化图像。形态学变换有两个输入，一个输出：输入为原图像、核），输出为形态学变换后的图像，基本操作是腐蚀和碰撞。]]></description><category></category></item><item><title><![CDATA[OpenCV中对图片的理解]]></title><link>https://blog.youkuaiyun.com/SYNICSN/article/details/141170853</link><guid>https://blog.youkuaiyun.com/SYNICSN/article/details/141170853</guid><author>SYNICSN</author><pubDate>Fri, 16 Aug 2024 19:46:49 +0800</pubDate><description><![CDATA[像素是图像的基本单元，每个像素存储着图像的颜色、亮度和其他特征。一系列像素组合到一起就形成了完整的图像，在计算机中，图像以像素的形式存在并采用二进制格式进行存储。日常生活中常见的图像是RGB三原色图。RGB图上的每个点都是由红（R）、绿（G）、蓝（B）三个颜色按照一定比例混合而成的，几乎所有颜色都可以通过这三种颜色按照不同比例调配而成。计算机中RGB三种颜色被称为RGB三通道，根据这三个通道存储的像素值，来对应不同的颜色。]]></description><category></category></item><item><title><![CDATA[OpenCV介绍与基础操作]]></title><link>https://blog.youkuaiyun.com/SYNICSN/article/details/141167910</link><guid>https://blog.youkuaiyun.com/SYNICSN/article/details/141167910</guid><author>SYNICSN</author><pubDate>Tue, 13 Aug 2024 17:46:25 +0800</pubDate><description><![CDATA[OpenCV介绍与基础操作]]></description><category></category></item></channel></rss>