Alex的博客

基于以上我大概先说一下这个预测的方向：由于博主是以做java和spark（scala）为主的人，所以对python用的比较少，过程中有不对的地方请大家批评指正。我们将向刚入行的小白开发者介绍如何使用Python实现AR（自回归）预测模型。AR模型是一种在时间序列预测中常用的模型，它基于过去的观测值来预测未来的值。我们将按照以下步骤进行操作步骤描述1导入所需的库2加载时间序列数据3拆分数据集为训练集和测试集4训练AR模型5使用AR模型预测未来值6评估模型性能7可视化预测结果。

接上一篇，本篇将以OpenVINO™ 工具包、Jupyter Notebook工具以及OpenVINO™ Notebooks工程为基础，依照构建环境、工具学习、案例学习、实战部署的顺序引导初学者完成从0到1学习人工智能的全过程，希望众多对人工智能感兴趣的开发者，先把AI技术用起来，用到自己的行业中，在应用的过程中，不断加深对AI技术的理解。

接上一篇，上一篇我们已经把环境什么的都安装好了，本篇主要做一下各种模型测试，模型下载验证等；背景这里就不多说了，上篇已经介绍过了。

由于最近要使用inter的一款名为Intel® Movidius™ Myriad™ X 的加速卡去实现对算法模型的加速推理能力，于是就得第一步安装openvino，然后再使用卡去验证openvino是否安装ok，卡是否真的存在推理加速的能力。基于以上的情况花了两周多对openvino的安装以及安装过程中遇到的问题、卡使用过程中报的错，做一些总结，文章分为几个部分：openvino 运行环境安装，openvino开发环境安装，加速卡使用报错以及问题排查。

需要做一个电子发票中发票税号的识别，于是乎就开始去调研看有哪些方案，最先想到的就是OCR文字识别，自己去画框训练模型去识别税号等相关信息话不多说开整思路：思路一：百度AI平台去直接调用思路二：自己基于模型训练思路三：基于本地化代码识别票据中信息这几种思路接下来我都会详细展开说，且每种方式的优缺点博主也会说清楚，仅供大家参考

tensorflow简单的Demo

关于模型评估Error = Bias（偏差） + Variance（方差）。这里的Error可以理解为模型的预测错误率，是有两部分组成的，一部分是由于模型太简单而带来的估计不准确的部分（Bias），另一部分是由于模型太复杂而带来的更大的变化空间和不确定性（Variance）。当模型复杂度上升的时候，偏差会逐渐变小，而方差会逐渐变大。算法的选择如果特征的数量和观测样本特别多，那么当资源和时间充足时（这个前提很重要），使用SVM不失为一种选择。通常情况下：【XGBOOST>=GBDT>=S

1.连续特征的离散化：在什么情况下将连续的特征离散化之后可以获得更好的效果？在工业界，很少直接将连续值作为逻辑回归模型的特征输入，而是将连续特征离散化为一系列0、1特征交给逻辑回归模型，这样做的优势有以下几点：0. 离散特征的增加和减少都很容易，易于模型的快速迭代；1. 稀疏向量内积乘法运算速度快，计算结果方便存储，容易扩展；2. 离散化后的特征对异常数据有很强的鲁棒性：比如一个特征是年龄>30是1，否则0。如果特征没有离散化，一个异常数据“年龄300岁”会给模型造成很大的干扰；3

参数说明from sklearn.metrics import roc_auc_scoreroc_auc_score(y_true, y_score, *, average='macro', sample_weight=None,max_fpr=None, multi_class='raise', labels=None)计算曲线ROC的面积- Parameters(参数) y_true : array-like of shape (n_samples,) or ...

一、概念1.一句话概括泰勒展开式：用多项式去无限逼近一个函数，就是将某个函数在一个点上泰勒展开。泰勒级数是把一个函数展开，化成次方项相加的形式，目的是用相对简单的函数去拟合复杂函数，此时相对简单是看你需要的，一阶指展开的次数最高为1，二阶指展开次数最高为2。泰勒公式的几何意义是利用多项式函数来逼近原函数，由于多项式函数可以任意次求导，易于计算，且便于求解极值或者判断函数的性质，因此可以通过泰勒公式获取函数的信息，同时，对于这种近似，必须提供误差分析，来提供近似的可靠性。2.为什么

机器学习有很多评估的指标。有了这些指标我们就横向的比较哪些模型的表现更好。我们先从整体上来看看主流的评估指标都有哪些：分类问题评估指标：准确率 – Accuracy 精确率(差准率)- Precision 召回率(查全率)- Recall F1分数 ROC曲线 AUC曲线回归问题评估指标：MAE MSE接下来我们看看分类模型的评估指标：本文我们就来聊一聊准确率、召回率、精确率1、混淆矩阵了解上述概念前，我们先了解一下混淆矩阵混淆矩阵也称误差矩阵，是表示精度

1.先了解一下 矩阵的内积(点乘)、外积(叉乘)矩阵的内积参照向量的内积的定义的，先说说向量：两个向量对应分量乘积之和,比如: α=(1,2,3), β=(4,5,6)，则 α, β的内积等于 1*4 +2*5 + 3*6 = 32 ，α与α 的内积 = 1*1+2*2+3*3 = 14那么矩阵呢？矩阵内积（花书中叫做元素对应乘积）是矩阵对应元素乘积之和，即矩阵的对应元素相乘，因此要求两矩阵 A 和 B 的必须是同型矩阵设Ann=[aij](其中1<=i,j<=n)，Bnn...

在 NLP领域，word embedding 已经成为了众所周知的技术。在现实生活中 word embedding 已经拥有非常广泛的应用：语音助手、机器翻译、情感分析… 因为 word embedding 的特殊性，它几乎覆盖了所有 NLP 的应用。接下来说说 传统的 one-hot 编码开始，阐述其优劣，并延伸至 word embedding 技术和其优点人类可以很轻易地理解一个单词、词组或者字母，比如「LOVE」，但机器是理解不了的。想要让机器理解单词，就必须要把它变成一串数字（向量）。下面介绍.

本文转载自大神：橘子派的（0）【机器学习】机器学习综述与“Hello World”实战（附带5个实例）http://blog.youkuaiyun.com/sileixinhua/article/details/73611056感谢博主的文章本文结构思维导图概述友情提示：1. 对于本文中数据集，训练集，特征点，空间等基础概念，请参考周志华老师的《机器学习》第一章的内容2. Python的语法并不难理解，有编码基础的可以直接看懂，如果不懂，请参考廖雪峰老师的个人博客中Python的教学内容..

◆ ◆ ◆　　序言　　最近因为PAC平台自动化的需求，开始探坑推荐系统。这个乍一听去乐趣无穷的课题，对于算法大神们来说是这样的：　　　　而对于刚接触这个领域的我来说，是这样的：　　　　在深坑外围徘徊了一周后，我整理了一些推荐系统的基本概念以及一些有代表性的简单的算法，作为初探总结，也希望能抛砖引玉，给同样想入坑的伙伴们提供一些思路。　　◆ ◆ ◆　　什么是推荐系统　　1. 什么是推荐系统？　　推荐系统是啥？　　如果你是个多年电商（剁手）党，你会说是这个：