<?xml version="1.0" encoding="utf-8" ?><rss version="2.0"><channel><title><![CDATA[fengxuezhiling的博客]]></title><description><![CDATA[]]></description><link>https://blog.youkuaiyun.com/fengxuezhiling</link><language>zh-cn</language><generator>https://blog.youkuaiyun.com/</generator><copyright><![CDATA[Copyright &copy; fengxuezhiling]]></copyright><item><title><![CDATA[八大排序算法 python]]></title><link>https://blog.youkuaiyun.com/fengxuezhiling/article/details/78295278</link><guid>https://blog.youkuaiyun.com/fengxuezhiling/article/details/78295278</guid><author>fengxuezhiling</author><pubDate>Fri, 20 Oct 2017 14:44:27 +0800</pubDate><description><![CDATA[# -*- coding:utf-8 -*-
def insert_sort(lists):
    # 插入排序
    for i in range(1,len(lists)):
        key = lists[i]
        j = i-1
        while j >= 0:
            if lists[j] > key:
        ]]></description><category></category></item><item><title><![CDATA[聚类和EM算法]]></title><link>https://blog.youkuaiyun.com/fengxuezhiling/article/details/78079443</link><guid>https://blog.youkuaiyun.com/fengxuezhiling/article/details/78079443</guid><author>fengxuezhiling</author><pubDate>Sun, 24 Sep 2017 20:39:00 +0800</pubDate><description><![CDATA[聚类是一种无监督学习，它通过对无标记训练样本的学习来寻找这些数据的内在性质。
聚类的思想：将数据集划分为若干个不相交的子集（簇），每个簇对应一类，但通常聚类算法不会告诉你这些簇分别代表什么意义，只是这样分成这些不相交的簇。
聚类的作用：


作为一种探索性分析方法，分析数据的内在性质，寻找数据的分布规律
作为分类的预处理过程，并不直接数据分析，首先对需要分类的数据进行聚类，然后对聚类出]]></description><category></category></item><item><title><![CDATA[python中文编码+html中的回调，bejson显示中文]]></title><link>https://blog.youkuaiyun.com/fengxuezhiling/article/details/53064589</link><guid>https://blog.youkuaiyun.com/fengxuezhiling/article/details/53064589</guid><author>fengxuezhiling</author><pubDate>Mon, 07 Nov 2016 11:07:46 +0800</pubDate><description><![CDATA[问题一： UnicodeDecodeError: 'ascii' codec can't decode byte 0xe3 in position 0: ordinal not in range(128)
解决：

import sys
reload(sys)
sys.setdefaultencoding('utf8')


http://docs.python.org/howto/un]]></description><category></category></item><item><title><![CDATA[TensorFlow的基本用法]]></title><link>https://blog.youkuaiyun.com/fengxuezhiling/article/details/52773704</link><guid>https://blog.youkuaiyun.com/fengxuezhiling/article/details/52773704</guid><author>fengxuezhiling</author><pubDate>Mon, 10 Oct 2016 01:45:33 +0800</pubDate><description><![CDATA[基本使用

TensorFlow具体流程：


使用图 (graph) 来表示计算任务.
在被称之为 会话 (Session) 的上下文 (context) 中执行图.
使用 tensor 表示数据.
通过 变量 (Variable) 维护状态.
使用 feed 和 fetch 可以为任意的操作(arbitrary operation) 赋值或者从其中获取数据.]]></description><category></category></item><item><title><![CDATA[关于深度学习框架TensorFlow的调研]]></title><link>https://blog.youkuaiyun.com/fengxuezhiling/article/details/52772427</link><guid>https://blog.youkuaiyun.com/fengxuezhiling/article/details/52772427</guid><author>fengxuezhiling</author><pubDate>Sun, 09 Oct 2016 23:59:56 +0800</pubDate><description><![CDATA[事件：2015年11月9日，Google发布人工智能系统TensorFlow并宣布开源，同日，极客学院完成在线TensorFlow中文文档翻译。
在线阅读地址为：http://wiki.jikexueyuan.com/project/tensorflow-zh/ 

首先感谢那些翻译人员，真心给力，给了我们这种新手方便学习的机会
------------------------------]]></description><category></category></item><item><title><![CDATA[爬取大众点评黄焖鸡米饭的数据]]></title><link>https://blog.youkuaiyun.com/fengxuezhiling/article/details/52694111</link><guid>https://blog.youkuaiyun.com/fengxuezhiling/article/details/52694111</guid><author>fengxuezhiling</author><pubDate>Wed, 28 Sep 2016 21:32:45 +0800</pubDate><description><![CDATA[学习python已经一段时间，就想着利用他爬取大众点评上的一些数据，用于分析。
这里，我选择爬取国内各个地区和省份关于黄焖鸡米饭的店面数据
具体的格式：店面 id，省份，城市，开店时间，店名
首先声明：
大众点评的数据，并不是很好爬取的。注意：他会禁止IP
我通过下面方法得以解决
1、UserAgent经常换一换；
2、访问时间间隔设长一点，访问时间设置为随机数；sleep()
3]]></description><category></category></item><item><title><![CDATA[如何解决“ImportError: No module named pylab”]]></title><link>https://blog.youkuaiyun.com/fengxuezhiling/article/details/52557163</link><guid>https://blog.youkuaiyun.com/fengxuezhiling/article/details/52557163</guid><author>fengxuezhiling</author><pubDate>Fri, 16 Sep 2016 19:35:09 +0800</pubDate><description><![CDATA[1.  首先 保证  
python-numpy python-scipy python-matplotlib  
安装完毕


2.work with it
from matplotlib import pylab
from pylab import *亲测可行]]></description><category></category></item><item><title><![CDATA[python pandas 处理日期数据]]></title><link>https://blog.youkuaiyun.com/fengxuezhiling/article/details/52504548</link><guid>https://blog.youkuaiyun.com/fengxuezhiling/article/details/52504548</guid><author>fengxuezhiling</author><pubDate>Sun, 11 Sep 2016 16:34:02 +0800</pubDate><description><![CDATA[数据类型及操作

Python 标准库的datetime

datetime模块中的datetime,time，calendar等类都可以用来存储时间类型以及一些其他转换与运算

for example:

from datetime import datetime

now=datetime.now()

print now  

#2016-09-11 16:02:]]></description><category></category></item><item><title><![CDATA[SVM]]></title><link>https://blog.youkuaiyun.com/fengxuezhiling/article/details/52496968</link><guid>https://blog.youkuaiyun.com/fengxuezhiling/article/details/52496968</guid><author>fengxuezhiling</author><pubDate>Sat, 10 Sep 2016 20:55:51 +0800</pubDate><description><![CDATA[支持向量机


1.基于最大间隔分隔数据
优点：泛化错误率低。计算开销不大，结果易解释
缺点：对参数调节和核函数的选择敏感，原始分类器不加修改仅适用于处理二类问题
使用数据：数值型和标称型数据


我们希望找到离分隔超平面最近的点，确保它们离分隔面的距离尽可能远


在这里仅仅简单介绍，更为详细的数学需要自己去专门的书籍中学习。


2 .求解（SMO）
SMO表示]]></description><category></category></item><item><title><![CDATA[为什么使用python]]></title><link>https://blog.youkuaiyun.com/fengxuezhiling/article/details/52447580</link><guid>https://blog.youkuaiyun.com/fengxuezhiling/article/details/52447580</guid><author>fengxuezhiling</author><pubDate>Tue, 06 Sep 2016 10:25:46 +0800</pubDate><description><![CDATA[软件质量：

　　　　可读写、一致性、软件质量
　　　　支持软件开发的高级重用机制

提供开发者的效率：

　　　　代码只有java或C++的1/5~1/3
　　　　无须编译链接，提高了程序原的效率

程序的可移植性：

　　　　用户图像界面、数据库接入、基于Web的系统等

标准库的支持：组件集成：

　　　　可以调用C或C++的库
　　　　可以被C和C++程序]]></description><category></category></item><item><title><![CDATA[python ---numpy]]></title><link>https://blog.youkuaiyun.com/fengxuezhiling/article/details/52411199</link><guid>https://blog.youkuaiyun.com/fengxuezhiling/article/details/52411199</guid><author>fengxuezhiling</author><pubDate>Fri, 02 Sep 2016 09:54:56 +0800</pubDate><description><![CDATA[本文主要包括如下内容：
1.数据类型 2.数组类型 3.类型转换 4 .创建数组 5.索引 6.花式索引 7.切片（Slicing）8.处理数据的形状


I.Numpy中的多维数组称为ndarray,主要包括两个部分：数据本身和 描述数据的元数据
Numpy数组通常表示是由相同种类的元素组成。可以向量化处理数组。
a=arange(5)   a.dtype  dtype('int64]]></description><category></category></item><item><title><![CDATA[大数据竞赛平台——Kaggle 入门篇]]></title><link>https://blog.youkuaiyun.com/fengxuezhiling/article/details/52267360</link><guid>https://blog.youkuaiyun.com/fengxuezhiling/article/details/52267360</guid><author>fengxuezhiling</author><pubDate>Sun, 21 Aug 2016 15:06:43 +0800</pubDate><description><![CDATA[大数据竞赛平台——Kaggle 入门篇






这篇文章适合那些刚接触Kaggle、想尽快熟悉Kaggle并且独立完成一个竞赛项目的网友，对于已经在Kaggle上参赛过的网友来说，大可不必耗费时间阅读本文。本文分为两部分介绍Kaggle，第一部分简单介绍Kaggle，第二部分将展示解决一个竞赛项目的全过程。如有错误，请指正！



1、Kaggle简介
Kaggle是一]]></description><category></category></item><item><title><![CDATA[python 开发简单爬虫 by CL（一）]]></title><link>https://blog.youkuaiyun.com/fengxuezhiling/article/details/52207412</link><guid>https://blog.youkuaiyun.com/fengxuezhiling/article/details/52207412</guid><author>fengxuezhiling</author><pubDate>Sun, 14 Aug 2016 23:52:53 +0800</pubDate><description><![CDATA[一.爬虫简介
爬虫：一段自动抓取互联网信息的程序]]></description><category></category></item><item><title><![CDATA[14数学建模竞赛D题]]></title><link>https://blog.youkuaiyun.com/fengxuezhiling/article/details/51931145</link><guid>https://blog.youkuaiyun.com/fengxuezhiling/article/details/51931145</guid><author>fengxuezhiling</author><pubDate>Sun, 17 Jul 2016 10:40:21 +0800</pubDate><description><![CDATA[一.问题一
1.数据预处理---->数据相关性分析-->粗大误差分析-->针对果蔬品种的营养素成分和含量，建立分级打分制度,定义‘营养价值’，‘常见度’，‘研究价值’等指标
--》筛选出8种水果和6种蔬菜
2.回归模型，预测各种果蔬的年产量
3.Logistic模型对预测结果进行修正，改进回归模型的产量预测结果


关键词：线性回归，多项式回归， Logistic 复合模型]]></description><category></category></item><item><title><![CDATA[SVM Matlab工具箱的使用(一)]]></title><link>https://blog.youkuaiyun.com/fengxuezhiling/article/details/51878085</link><guid>https://blog.youkuaiyun.com/fengxuezhiling/article/details/51878085</guid><author>fengxuezhiling</author><pubDate>Mon, 11 Jul 2016 08:56:12 +0800</pubDate><description><![CDATA[本次是我自己刚学习svm,并在faruto视频上学习svm的笔记。
一.SVM 由Vapnik首先提出，svm的主要思想是建立一个超平面作为决策曲面，使得正例与反例之间的隔离边缘被最大化。
svm的优点：
1.通用性（能够在各种函数集中构造函数）
2.鲁棒性（不需要微调）
3.有效性（在解决实际问题中属于最好的方法之一）
4.计算简单（方法的实现只需要利用简单的优化技术）
5.理论上]]></description><category></category></item></channel></rss>