<?xml version="1.0" encoding="utf-8" ?><rss version="2.0"><channel><title><![CDATA[小猪观察家]]></title><description><![CDATA[AI 数据仓库 量化交易]]></description><link>https://blog.youkuaiyun.com/cqy_chen</link><language>zh-cn</language><generator>https://blog.youkuaiyun.com/</generator><copyright><![CDATA[Copyright &copy; cqy_chen]]></copyright><item><title><![CDATA[keras使用tensorflow为backend进行 fashion_mnist 分类器]]></title><link>https://blog.youkuaiyun.com/cqy_chen/article/details/80410708</link><guid>https://blog.youkuaiyun.com/cqy_chen/article/details/80410708</guid><author>cqy_chen</author><pubDate>Tue, 22 May 2018 19:56:10 +0800</pubDate><description><![CDATA[

概要
代码
结果展示







概要

使用keras 进行图片分类，这里采用了fashion_mnist 
参考链接：https://www.kaggle.com/zalando-research/fashionmnist 
关于cnn这里就不多讲了，可以参考：https://blog.youkuaiyun.com/cqy_chen/article/details/78959687 
欢迎关注博客：...]]></description><category></category></item><item><title><![CDATA[MNIST及FASHION MNIST 数据读取]]></title><link>https://blog.youkuaiyun.com/cqy_chen/article/details/80059576</link><guid>https://blog.youkuaiyun.com/cqy_chen/article/details/80059576</guid><author>cqy_chen</author><pubDate>Sat, 05 May 2018 11:33:19 +0800</pubDate><description><![CDATA[概要
代码
结果展示概要mnist 数据集链接：http://yann.lecun.com/exdb/mnist/ 
fashion_mnist:https://github.com/zalandoresearch/fashion-mnist 
mnist 已经被用烂了，也太简单了。所以现在准备采用fashion_mnist。 
两者的读取方式完全一致。这里以fashion mnist作为例子。Fa]]></description><category></category></item><item><title><![CDATA[李飞飞、吴恩达、Bengio等人的15大顶级深度学习课程（转）]]></title><link>https://blog.youkuaiyun.com/cqy_chen/article/details/79154163</link><guid>https://blog.youkuaiyun.com/cqy_chen/article/details/79154163</guid><author>cqy_chen</author><pubDate>Wed, 24 Jan 2018 18:31:06 +0800</pubDate><description><![CDATA[from : http://blog.youkuaiyun.com/dQCFKyQDXYm3F8rB0/article/details/79136408hinton 深度学习课程：https://www.coursera.org/learn/neural-networks/home 
                             
                         
翻译 | AI科]]></description><category></category></item><item><title><![CDATA[python实现二叉树的俯视图]]></title><link>https://blog.youkuaiyun.com/cqy_chen/article/details/79113039</link><guid>https://blog.youkuaiyun.com/cqy_chen/article/details/79113039</guid><author>cqy_chen</author><pubDate>Sat, 20 Jan 2018 11:31:14 +0800</pubDate><description><![CDATA[概要： 
给一个二叉树，代码实现输出俯视图，如： 
 
代码实现：

#coding=utf8
#构造树节点
'''
基本思想：
对于每个节点输出关于根节点的层级和左右距离
树从0层开始计数
左距离：左子树上节点对于跟节点为1
右距离：右字数上节点对于跟节点为-1

相当于以树的根节点为坐标原点，每个树中的节点对应一个坐标轴
横轴表示距离，纵轴表示树的深度

树的俯视图即输出：这些点映射到横轴上，]]></description><category></category></item><item><title><![CDATA[Kaggle 机器学习竞赛冠军及优胜者的源代码汇总(转)]]></title><link>https://blog.youkuaiyun.com/cqy_chen/article/details/79109681</link><guid>https://blog.youkuaiyun.com/cqy_chen/article/details/79109681</guid><author>cqy_chen</author><pubDate>Fri, 19 Jan 2018 18:30:12 +0800</pubDate><description><![CDATA[参考：http://ndres.me/kaggle-past-solutions/ 
           http://shujianliu.com/kaggle-winning-code.html 
        http://www.chioka.in/kaggle-competition-solutions/ 
建议参考这三个链接，因为都保持最新的题目跟踪，下面的是三年前的题目了。不是最]]></description><category></category></item><item><title><![CDATA[R语言中管道操作 %>%, %T>%, %$% 和 %<>%（转）]]></title><link>https://blog.youkuaiyun.com/cqy_chen/article/details/79052359</link><guid>https://blog.youkuaiyun.com/cqy_chen/article/details/79052359</guid><author>cqy_chen</author><pubDate>Sat, 13 Jan 2018 16:54:42 +0800</pubDate><description><![CDATA[1 magrittr介绍2 magrittr安装3 magrittr包的使用
设置随机种子
开始4 magrittr包的扩展功能
from : http://blog.youkuaiyun.com/fairewell/article/details/72878107
前言
使用R语言进行数据处理是非常方便的，几行代码就可以完成很复杂的操作。但是，对于数据的连续处理，还是有人觉得代码不好看，要么是长长的函数嵌套调]]></description><category></category></item><item><title><![CDATA[本博客导航]]></title><link>https://blog.youkuaiyun.com/cqy_chen/article/details/78985217</link><guid>https://blog.youkuaiyun.com/cqy_chen/article/details/78985217</guid><author>cqy_chen</author><pubDate>Fri, 05 Jan 2018 21:41:12 +0800</pubDate><description><![CDATA[数学相关
林轩田机器学习课程笔记
深度学习hinton课程笔记整理中
深度学习
kaggle
NLP
算法实现
other







数学相关

机器学习需要线性代数知识 
SVD介绍 
对偶问题 
PCA 
仿射变换 
核函数 
凸优化



林轩田机器学习课程笔记

林轩田之机器学习课程笔记（when can machines learn之learning problem）（32之1）]]></description><category></category></item><item><title><![CDATA[林轩田之机器学习课程笔记（ distilling hidden features之final）（32之32）]]></title><link>https://blog.youkuaiyun.com/cqy_chen/article/details/78983831</link><guid>https://blog.youkuaiyun.com/cqy_chen/article/details/78983831</guid><author>cqy_chen</author><pubDate>Fri, 05 Jan 2018 21:07:01 +0800</pubDate><description><![CDATA[概要
特征提取技巧
kernel 转换
aggravatiton 转换
自动提取特征
低维度转换
优化技巧
最优化
问题转换
子问题求解方式
过拟合处理方式
踩刹车方式
盯住仪表盘
机器学习实践
欢迎转载，可以关注博客：http://blog.youkuaiyun.com/cqy_chen  
本次的课程笔记完毕。后面的课程笔记主要是hinton大神的深度学习课程。希望在看问题之前看看机器学习的处理流程，这样流]]></description><category></category></item><item><title><![CDATA[林轩田之机器学习课程笔记（ distilling hidden features之matrix factorization）（32之31）]]></title><link>https://blog.youkuaiyun.com/cqy_chen/article/details/78979873</link><guid>https://blog.youkuaiyun.com/cqy_chen/article/details/78979873</guid><author>cqy_chen</author><pubDate>Fri, 05 Jan 2018 17:43:12 +0800</pubDate><description><![CDATA[概要
线性网络假设空间
基本的矩阵因子分解
随机梯度下降求解
特征提取模型总结
欢迎转载，可以关注博客：http://blog.youkuaiyun.com/cqy_chen  
推荐FM和FFM文章，现在主要用于推荐系统中：https://tech.meituan.com/deep-understanding-of-ffm-principles-and-practices.html 
深度学习书籍推荐：htt]]></description><category></category></item><item><title><![CDATA[林轩田之机器学习课程笔记（ distilling hidden features之radial basis function network）（32之30）]]></title><link>https://blog.youkuaiyun.com/cqy_chen/article/details/78977246</link><guid>https://blog.youkuaiyun.com/cqy_chen/article/details/78977246</guid><author>cqy_chen</author><pubDate>Fri, 05 Jan 2018 12:20:19 +0800</pubDate><description><![CDATA[概要
RBF网络假设空间
RBF网络学习算法
k-means算法
k-means与RBF网络算法实践欢迎转载，可以关注博客：http://blog.youkuaiyun.com/cqy_chen  
深度学习书籍推荐：https://item.jd.com/12128543.html  
深度学习课程推荐：https://www.coursera.org/learn/neural-networks/home/w]]></description><category></category></item><item><title><![CDATA[Learning to Rank(LTR)(转)]]></title><link>https://blog.youkuaiyun.com/cqy_chen/article/details/78975480</link><guid>https://blog.youkuaiyun.com/cqy_chen/article/details/78975480</guid><author>cqy_chen</author><pubDate>Thu, 04 Jan 2018 21:13:27 +0800</pubDate><description><![CDATA[Learning to RankLTR
声明
摘要
背景
排序学习系统框架
排序学习特征选择2
训练数据的获取3
人工标注
搜索日志
公共数据集
训练方法23
单文档方法Pointwise
文档对方法Pairwise
文档列表方法Listwise
排序学习效果评价
Reference
from:http://blog.youkuaiyun.com/clheang/article/details/45674989]]></description><category></category></item><item><title><![CDATA[林轩田之机器学习课程笔记（ distilling hidden features之deep learning）（32之29）]]></title><link>https://blog.youkuaiyun.com/cqy_chen/article/details/78970839</link><guid>https://blog.youkuaiyun.com/cqy_chen/article/details/78970839</guid><author>cqy_chen</author><pubDate>Thu, 04 Jan 2018 19:18:34 +0800</pubDate><description><![CDATA[概要
深度神经网络
自动编码机
去噪自动编码机
主成分分析




欢迎转载，可以关注博客：http://blog.youkuaiyun.com/cqy_chen  
深度学习书籍推荐：https://item.jd.com/12128543.html  
深度学习课程推荐：https://www.coursera.org/learn/neural-networks/home/welcome  
Tensor]]></description><category></category></item><item><title><![CDATA[林轩田之机器学习课程笔记（ distilling hidden features之neural network）（32之28）]]></title><link>https://blog.youkuaiyun.com/cqy_chen/article/details/78967191</link><guid>https://blog.youkuaiyun.com/cqy_chen/article/details/78967191</guid><author>cqy_chen</author><pubDate>Thu, 04 Jan 2018 14:37:45 +0800</pubDate><description><![CDATA[概要
为何要构造多层神经网络
神经网络的假设空间
神经网络的学习算法
优化以及正则化
权重消减法
早停法
dropout欢迎转载，可以关注博客：http://blog.youkuaiyun.com/cqy_chen  
深度学习书籍推荐：https://item.jd.com/12128543.html 
深度学习课程推荐：https://www.coursera.org/learn/neural-networ]]></description><category></category></item><item><title><![CDATA[林轩田之机器学习课程笔记（ combining predictive features之gradient boosted decision tree）（32之27）]]></title><link>https://blog.youkuaiyun.com/cqy_chen/article/details/78959879</link><guid>https://blog.youkuaiyun.com/cqy_chen/article/details/78959879</guid><author>cqy_chen</author><pubDate>Wed, 03 Jan 2018 21:18:41 +0800</pubDate><description><![CDATA[概要
Adaptive Boost 决策树
如何优化AdaBoost决策树
GBDT
模型融合的总结欢迎转载，可以关注博客：http://blog.youkuaiyun.com/cqy_chen  
对于模型融合可以参考：  
http://scikit-learn.org/stable/modules/ensemble.html  
GBDT参考： 
http://scikit-learn.org/stabl]]></description><category></category></item><item><title><![CDATA[深度学习之CNN简介]]></title><link>https://blog.youkuaiyun.com/cqy_chen/article/details/78959687</link><guid>https://blog.youkuaiyun.com/cqy_chen/article/details/78959687</guid><author>cqy_chen</author><pubDate>Wed, 03 Jan 2018 12:01:55 +0800</pubDate><description><![CDATA[深度学习概述
CNN卷积神经网络
层级结构
数据输入层
卷积计算层
Relu激活层
池化层
全连接层
正则化
典型结构欢迎转载，可以关注博客：http://blog.youkuaiyun.com/cqy_chen 本来想把CNN的一个kaggle比赛和这个放在一起，结果软件一直出问题。就先把这部分贴上。后面再奉上CNN实战的代码。深度学习概述传统的机器学习和深度学习一个很重要的差别就是特征的自动提取。深度学习现]]></description><category></category></item><item><title><![CDATA[林轩田之机器学习课程笔记（ combining predictive features之 	random forest）（32之26）]]></title><link>https://blog.youkuaiyun.com/cqy_chen/article/details/78954376</link><guid>https://blog.youkuaiyun.com/cqy_chen/article/details/78954376</guid><author>cqy_chen</author><pubDate>Wed, 03 Jan 2018 11:49:59 +0800</pubDate><description><![CDATA[概要
随机森
袋外估计
特征选择
随机森林实战欢迎转载，可以关注博客：http://blog.youkuaiyun.com/cqy_chen  
对于模型融合可以参考：  
http://scikit-learn.org/stable/modules/ensemble.html  
随机森林参考： 
分类： 
http://scikit-learn.org/stable/modules/generated/sk]]></description><category></category></item><item><title><![CDATA[林轩田之机器学习课程笔记（ combining predictive features之 	decision tree）（32之25）]]></title><link>https://blog.youkuaiyun.com/cqy_chen/article/details/78950706</link><guid>https://blog.youkuaiyun.com/cqy_chen/article/details/78950706</guid><author>cqy_chen</author><pubDate>Tue, 02 Jan 2018 18:05:09 +0800</pubDate><description><![CDATA[概要
决策树假设空间
决策树演算法
决策树之卡特算法
决策树实战欢迎转载，可以关注博客：http://blog.youkuaiyun.com/cqy_chen  
对于模型融合可以参考：  
http://scikit-learn.org/stable/modules/ensemble.html  
决策树参考：  
http://scikit-learn.org/stable/modules/generate]]></description><category></category></item><item><title><![CDATA[林轩田之机器学习课程笔记（ combining predictive features之	adaptive boosting）（32之24）]]></title><link>https://blog.youkuaiyun.com/cqy_chen/article/details/78948634</link><guid>https://blog.youkuaiyun.com/cqy_chen/article/details/78948634</guid><author>cqy_chen</author><pubDate>Tue, 02 Jan 2018 08:39:31 +0800</pubDate><description><![CDATA[概要
为什么要做boosting
通过调整权重达到模型多样性
Adaptive Boosting算法
Adaptive Boosting实战欢迎转载，可以关注博客：http://blog.youkuaiyun.com/cqy_chen  
对于模型融合可以参考：  
http://scikit-learn.org/stable/modules/ensemble.html  
Adapitve boosting的]]></description><category></category></item><item><title><![CDATA[林轩田之机器学习课程笔记（  combining predictive features之blending and bagging）（32之23）]]></title><link>https://blog.youkuaiyun.com/cqy_chen/article/details/78946789</link><guid>https://blog.youkuaiyun.com/cqy_chen/article/details/78946789</guid><author>cqy_chen</author><pubDate>Mon, 01 Jan 2018 19:23:05 +0800</pubDate><description><![CDATA[概要
为什么要做模型聚合
投票制的blending
线性以及任意的blending
bagging方式欢迎转载，可以关注博客：http://blog.youkuaiyun.com/cqy_chen  
题目可能不全，因为有字数限制，不好意思，可以参考：  
https://www.csie.ntu.edu.tw/~htlin/course/ml15fall/概要前面讲述了kernel版本的各种模型，包括线性的回]]></description><category></category></item><item><title><![CDATA[林轩田之机器学习课程笔记（ embedding numerous feature之support vector regression）（32之22）]]></title><link>https://blog.youkuaiyun.com/cqy_chen/article/details/78942662</link><guid>https://blog.youkuaiyun.com/cqy_chen/article/details/78942662</guid><author>cqy_chen</author><pubDate>Sun, 31 Dec 2017 18:19:05 +0800</pubDate><description><![CDATA[概要
带核函数的岭回归
支持向量回归原问题
支持向量回归的对偶问题
核函数模型总结欢迎转载，可以关注博客：http://blog.youkuaiyun.com/cqy_chen  
题目可能不全，因为有字数限制，不好意思，可以参考：  
https://www.csie.ntu.edu.tw/~htlin/course/ml15fall/概要上节讲到了kernel版本的逻辑回归，同时证明了L2的逻辑回归和sof]]></description><category></category></item></channel></rss>