<?xml version="1.0" encoding="utf-8" ?><rss version="2.0"><channel><title><![CDATA[fightinglearning的博客]]></title><description><![CDATA[]]></description><link>https://blog.youkuaiyun.com/fightinglearning</link><language>zh-cn</language><generator>https://blog.youkuaiyun.com/</generator><copyright><![CDATA[Copyright &copy; fightinglearning]]></copyright><item><title><![CDATA[服务器配置与使用]]></title><link>https://blog.youkuaiyun.com/fightinglearning/article/details/122478666</link><guid>https://blog.youkuaiyun.com/fightinglearning/article/details/122478666</guid><author>fightinglearning</author><pubDate>Thu, 13 Jan 2022 17:38:23 +0800</pubDate><description><![CDATA[服务器配置与使用MobaXterm安装入门Linux-非Root用户-配置深度学习环境问题与解决conda环境变量设置运行代码
MobaXterm安装入门
链接：link
Linux-非Root用户-配置深度学习环境
链接：link
问题与解决
conda环境变量设置

conda: command not found问题
添加环境变量

export PATH=$PATH:/home/Your_name/anaconda3/bin

链接：link

Can’t execute conda activat]]></description><category></category></item><item><title><![CDATA[傅里叶分析]]></title><link>https://blog.youkuaiyun.com/fightinglearning/article/details/118900524</link><guid>https://blog.youkuaiyun.com/fightinglearning/article/details/118900524</guid><author>fightinglearning</author><pubDate>Mon, 19 Jul 2021 16:27:55 +0800</pubDate><description><![CDATA[傅里叶分析

        
                
                     
  
   
   
    &nbsp;
    
   
  
 

 &nbsp;
 

 原文出处： 
  韩昊&nbsp;&nbsp;&nbsp;
 
 
  
      
      
       1
       
      
       2
       
      
       3
       
      
       4
       
      
     ]]></description><category></category></item><item><title><![CDATA[DW-心电信号分类预测]]></title><link>https://blog.youkuaiyun.com/fightinglearning/article/details/114899995</link><guid>https://blog.youkuaiyun.com/fightinglearning/article/details/114899995</guid><author>fightinglearning</author><pubDate>Tue, 16 Mar 2021 21:27:36 +0800</pubDate><description><![CDATA[DW-心电信号分类预测11.数据集介绍1.1数据概况1.2预测指标1.3赛题分析2.数据加载2.1数据读取2.2分类指标计算2.3EDA和数据预处理2.4训练数据/测试数据准备3.模型训练4.总结
1.数据集介绍
赛题以心电图数据为背景，根据心电图感应数据预测心跳信号，其中心跳信号对应正常病例以及受不同心律不齐和心肌梗塞影响的病例，这是一个多分类的问题。但是由于信号数据具有时间顺序，所以是一个时序建模分析问题。只是给定的数据是转化为数值的.csv数值文件
。它的总数据量超过20万，主要为1列心跳信号序列数据]]></description><category></category></item><item><title><![CDATA[DW_SQL集合运算]]></title><link>https://blog.youkuaiyun.com/fightinglearning/article/details/111569810</link><guid>https://blog.youkuaiyun.com/fightinglearning/article/details/111569810</guid><author>fightinglearning</author><pubDate>Wed, 23 Dec 2020 00:00:00 +0800</pubDate><description><![CDATA[DW_SQL集合运算
关于UNION
1、union
UNION 等集合运算符通常都会除去重复的记录.
UNION 的去重相当于set. 不仅会去掉两个结果集重复的，还会去掉一个结果集中重复的行。
2、union all
在union的结果中保留重复行。
3、union可以兼容不同的类型
4、两个表做差集
利用谓词 not in

...]]></description><category></category></item><item><title><![CDATA[DW_复杂一点的查询]]></title><link>https://blog.youkuaiyun.com/fightinglearning/article/details/111464742</link><guid>https://blog.youkuaiyun.com/fightinglearning/article/details/111464742</guid><author>fightinglearning</author><pubDate>Sun, 20 Dec 2020 23:09:52 +0800</pubDate><description><![CDATA[DW_复杂一点的查询）视图子查询嵌套子查询标量子查询关联子查询
视图
一句话概括视图与表的区别—“是否保存了实际的数据”。所以视图并不是数据库真实存储的数据表，它可以看作是一个窗口，通过这个窗口我们可以看到数据库表中真实存在的数据。所以我们要区别视图和数据表的本质，即视图是基于真实表的一张虚拟的表，其数据来源均建立在真实表的基础上。
子查询
嵌套子查询
随着子查询嵌套的层数的叠加，SQL语句不仅会难以理解而且执行效率也会很差，所以要尽量避免这样的使用。
标量子查询
通常任何可以使用单一值的位置都可以使用。也]]></description><category></category></item><item><title><![CDATA[DW_网络设计]]></title><link>https://blog.youkuaiyun.com/fightinglearning/article/details/111412444</link><guid>https://blog.youkuaiyun.com/fightinglearning/article/details/111412444</guid><author>fightinglearning</author><pubDate>Sat, 19 Dec 2020 23:59:34 +0800</pubDate><description><![CDATA[DW_网络设计关于先验框
关于先验框
在众多经典的目标检测模型中，均有先验框的说法，有的paper(如Faster RCNN)中称之为anchor(锚点)，有的paper(如SSD)称之为prior bounding box(先验框)，实际上是一个概念。
那么，为什么要有先验框这个概念呢？按理说我们的图片输入模型，模型给出检测结果就好了，为什么还要有先验框？那么关于它的作用，我们不妨回顾一下前面在2.1节所说的那个目标检测最初的解决方案，我们说，我们要遍历图片上每一个可能的目标框，再对这些框进行分类和微调，]]></description><category></category></item><item><title><![CDATA[DW_基础查询与排序]]></title><link>https://blog.youkuaiyun.com/fightinglearning/article/details/111350411</link><guid>https://blog.youkuaiyun.com/fightinglearning/article/details/111350411</guid><author>fightinglearning</author><pubDate>Thu, 17 Dec 2020 23:57:37 +0800</pubDate><description><![CDATA[DW_基础查询与排序基础查询运算符聚合查询
基础查询
从表中选取符合条件的数据
SELECT &lt;列名&gt;，……
  FROM &lt;表名&gt;
 WHERE &lt;条件表达式&gt;；


SELECT * 代表查询全部列
SQL中可以随意使用换行符，不影响语句执行（但不可插入空行），以分号;结尾
设定汉语别名时需要使用双引号（"）括起来。
在SELECT语句中使用DISTINCT可以删除重复行。
注释是SQL语句中用来标识说明或者注意事项的部分。分为1行注释"-- “和多行注释两种”/* ]]></description><category></category></item><item><title><![CDATA[DW_目标检测基础]]></title><link>https://blog.youkuaiyun.com/fightinglearning/article/details/111303466</link><guid>https://blog.youkuaiyun.com/fightinglearning/article/details/111303466</guid><author>fightinglearning</author><pubDate>Wed, 16 Dec 2020 23:50:19 +0800</pubDate><description><![CDATA[@[toc]（DW_目标检测基础）
目标检测基本概念


目标检测：需要在识别出图片中目标类别的基础上（图像分类），还要精确定位到目标的具体位置，并用外接矩形框标出。


物体的位置：通过滑窗的方式确定众多候选框，罗列图中各种可能的区域，再对候选框进行分类和微调。这样对于图像中每个区域都能得到（class,x1,y1,x2,y2）五个属性，汇总后最终就得到了图中物体的类别和坐标信息。
除此之外，每个框送入到分类网络分类都有一个得分(代表当前框的置信度)，那么得分最高的就代表识别的最准确的框，其位置就是最终要]]></description><category></category></item><item><title><![CDATA[DW_SQL入门]]></title><link>https://blog.youkuaiyun.com/fightinglearning/article/details/111240021</link><guid>https://blog.youkuaiyun.com/fightinglearning/article/details/111240021</guid><author>fightinglearning</author><pubDate>Tue, 15 Dec 2020 23:44:56 +0800</pubDate><description><![CDATA[DW_SQL入门搭建mysql环境初始数据库DDLDMLDCLSQL语法规范四种基本数据类型
一直想找机会学习下SQL，感谢Datawhale提供的资源和平台，之前参加的很多都半途而废了，虽然有别的ddl，但谁没有呢，所以一定要坚持下去啊，给2020 画上完美的句号！
搭建mysql环境
贴个安装教程链接：https://github.com/datawhalechina/team-learning-sql/blob/main/Task00%EF%BC%9A%E7%BB%AA%E8%AE%BA%20-%20]]></description><category></category></item><item><title><![CDATA[DW_numpy_随机抽样]]></title><link>https://blog.youkuaiyun.com/fightinglearning/article/details/110151567</link><guid>https://blog.youkuaiyun.com/fightinglearning/article/details/110151567</guid><author>fightinglearning</author><pubDate>Wed, 25 Nov 2020 23:53:41 +0800</pubDate><description><![CDATA[随机抽样离散型随机变量二项分布泊松分布超几何分布连续型随机变量均匀分布正态分布指数分布其它随机函数随机从序列中获取元素对数据集进行洗牌操作
numpy.random 模块对 Python 内置的 random 进行了补充，增加了一些用于高效生成多种概率分布的样本值的函数，如正态分布、泊松分布等。

numpy.random.seed(seed=None) Seed the generator.

seed()用于指定随机数生成时所用算法开始的整数值，如果使用相同的seed()值，则每次生成的随机数都相同，如]]></description><category></category></item><item><title><![CDATA[DW-numpy_输入和输出]]></title><link>https://blog.youkuaiyun.com/fightinglearning/article/details/110010310</link><guid>https://blog.youkuaiyun.com/fightinglearning/article/details/110010310</guid><author>fightinglearning</author><pubDate>Mon, 23 Nov 2020 23:12:02 +0800</pubDate><description><![CDATA[输入和输出numpy 二进制文件文本文件文本格式选项
numpy 二进制文件
save()、savez()和load()函数以 numpy 专用的二进制类型（npy、npz）保存和读取数据，这三个函数会自动处理ndim、dtype、shape等信息，使用它们读写数组非常方便，但是save()输出的文件很难与其它语言编写的程序兼容。
npy格式：以二进制的方式存储文件，在二进制文件第一行以文本形式保存了数据的元信息（ndim，dtype，shape等），可以用二进制工具查看内容。
npz格式：以压缩打包的方式]]></description><category></category></item><item><title><![CDATA[DW_numpy-数组操作]]></title><link>https://blog.youkuaiyun.com/fightinglearning/article/details/109281228</link><guid>https://blog.youkuaiyun.com/fightinglearning/article/details/109281228</guid><author>fightinglearning</author><pubDate>Sun, 25 Oct 2020 23:46:59 +0800</pubDate><description><![CDATA[数组操作更改形状数组转置更改维度数组组合数组拆分数组平铺添加和删除元素
更改形状


numpy.ndarray.shape表示数组的维度形状，返回一个元组.通过对其赋值更改形状x.shape = (2, 4)或者[2,4]。


numpy.ndarray.flat 视图。 将数组转换为一维的迭代器，可以用for访问数组每一个元素。


x = np.reshape(np.arange(12),[3,4])
y = x.flat   #y是一个迭代器
print(y)
# &lt;numpy.flatit]]></description><category></category></item><item><title><![CDATA[DW-numpy_索引、切片与迭代]]></title><link>https://blog.youkuaiyun.com/fightinglearning/article/details/109244019</link><guid>https://blog.youkuaiyun.com/fightinglearning/article/details/109244019</guid><author>fightinglearning</author><pubDate>Fri, 23 Oct 2020 15:53:43 +0800</pubDate><description><![CDATA[索引、切片与迭代副本与视图索引与切片切片索引:dots 索引整数数组索引布尔索引:数组迭代
副本与视图
在 Numpy 中，返回结果是 副本 或者 视图。


赋值运算：不会为数组和数组中的任何元素创建副本。（是同一个，故同时变化）


numpy.ndarray.copy() 函数创建一个副本。 对副本数据进行修改，不会影响到原始数据。


数组切片操作返回的对象只是原数组的视图。


import numpy as np

x = np.array([[11, 12, 13, 14, 15],
    ]]></description><category></category></item><item><title><![CDATA[DW-Numpy_数据类型和数组重建]]></title><link>https://blog.youkuaiyun.com/fightinglearning/article/details/109191802</link><guid>https://blog.youkuaiyun.com/fightinglearning/article/details/109191802</guid><author>fightinglearning</author><pubDate>Tue, 20 Oct 2020 23:14:28 +0800</pubDate><description><![CDATA[数据类型和数组重建常量数据类型常见数据类型创建数据类型数据类型信息时间日期和时间增量datetime64 基础datetime64 和 timedelta64 运算datetime64 的应用数组的创建1. 依据现有数据来创建 ndarray2.随机初始化矩阵3. 利用数值范围来创建ndarray4. 结构数组的创建数组的属性部分练习
常量

numpy.nan：表示空值。两个numpy.nan是不相等的
numpy.isnan(x, *args, **kwargs) 返回布尔数组True/False Te]]></description><category></category></item><item><title><![CDATA[01统计学习概论]]></title><link>https://blog.youkuaiyun.com/fightinglearning/article/details/108838444</link><guid>https://blog.youkuaiyun.com/fightinglearning/article/details/108838444</guid><author>fightinglearning</author><pubDate>Sun, 27 Sep 2020 22:55:50 +0800</pubDate><description><![CDATA[]]></description><category></category></item><item><title><![CDATA[Decision Tree]]></title><link>https://blog.youkuaiyun.com/fightinglearning/article/details/108438529</link><guid>https://blog.youkuaiyun.com/fightinglearning/article/details/108438529</guid><author>fightinglearning</author><pubDate>Sun, 06 Sep 2020 23:41:18 +0800</pubDate><description><![CDATA[决策树1 决策树原理1.1 特征选择1.2 决策树的生成伪代码1.3 决策树剪枝1.4 优缺点2 习题3 实践3.1 重要参数3.2 算法应用
1 决策树原理


分类决策树模型是表示基于特征对实例进行分类的树形结构。决策树可以转换成一个if-then规则的集合，也可以看作是定义在特征空间划分上的类的条件概率分布。决策树的核心思想是基于树结构对数据进行划分，这种思想是人类处理问题时的本能方法。
决策树学习旨在构建一个与训练数据拟合很好，并且复杂度小的决策树。因为从可能的决策树中直接选取最优决策树是NP完全问]]></description><category></category></item><item><title><![CDATA[DW模型搭建和评估]]></title><link>https://blog.youkuaiyun.com/fightinglearning/article/details/108287263</link><guid>https://blog.youkuaiyun.com/fightinglearning/article/details/108287263</guid><author>fightinglearning</author><pubDate>Fri, 28 Aug 2020 21:50:53 +0800</pubDate><description><![CDATA[DW模型搭建和评估特征工程缺失值填充（清洗）编码分类变量（重构）模型搭建train_test_split模型创建逻辑回归随机森林输出模型预测结果模型评估交叉验证混淆矩阵ROC曲线
经过前面的探索性数据分析、数据清洗重构可视化后，我们可以很清楚的了解到数据集的情况，下面我们进一步探索模型搭建和模型评估。
from IPython.display import Image  #调用Image
plt.rcParams['font.sans-serif'] = ['SimHei']  # 用来正常显示中文标签
p]]></description><category></category></item><item><title><![CDATA[DW数据可视化]]></title><link>https://blog.youkuaiyun.com/fightinglearning/article/details/108230490</link><guid>https://blog.youkuaiyun.com/fightinglearning/article/details/108230490</guid><author>fightinglearning</author><pubDate>Tue, 25 Aug 2020 23:00:42 +0800</pubDate><description><![CDATA[DW数据可视化柱状图折线图kdeplot散点图3D图
**复习：在数据的清理和重构基础上，为了更好的看到每一个关键步骤的结果如何，使得数据更加的易于理解；*数据可视化是一个很有用的技巧。
柱状图
处理离散型数据
任务二：可视化展示泰坦尼克号数据集中男女中生存人数分布情况（用柱状图试试）。
sex = text.groupby('Sex')['Survived'].sum()
sex.plot.bar()    #Seris.plot.bar()
plt.title('survived_count')
plt]]></description><category></category></item><item><title><![CDATA[DW数据重构]]></title><link>https://blog.youkuaiyun.com/fightinglearning/article/details/108188479</link><guid>https://blog.youkuaiyun.com/fightinglearning/article/details/108188479</guid><author>fightinglearning</author><pubDate>Sun, 23 Aug 2020 21:47:47 +0800</pubDate><description><![CDATA[DW数据重构数据合并pd.concat([df1,df2,df3],axis=0/1,join='outer',ignore_index=True,join_axes=[df1.index])纵向合并df1.append(df2,ignore_index=True)横向合并df1.join(df2)pd.merge()将数据变为Series类型的数据GroupBy机制
数据合并
pd.concat([df1,df2,df3],axis=0/1,join=‘outer’,ignore_index=True,j]]></description><category></category></item><item><title><![CDATA[DW数据清洗及特征处理]]></title><link>https://blog.youkuaiyun.com/fightinglearning/article/details/108158041</link><guid>https://blog.youkuaiyun.com/fightinglearning/article/details/108158041</guid><author>fightinglearning</author><pubDate>Fri, 21 Aug 2020 21:49:57 +0800</pubDate><description><![CDATA[DW数据清洗及特征处理1 缺失值观察与处理2 重复值观察与处理3 特征观察与处理
数据清洗及特征处理可以让数据看起来规律性更强，为后面操作做铺垫。
我们拿到的数据通常是不干净的，所谓的不干净，就是数据中有缺失值，有一些异常点等，需要经过一定的处理才能继续做后面的分析或建模，所以拿到数据的第一步是进行数据清洗，本章我们将学习缺失值、重复值、字符串和数据转换等操作，将数据清洗成可以分析或建模的亚子。
1 缺失值观察与处理
我们拿到的数据经常会有很多缺失值，比如我们可以看到Cabin列存在NaN，那其他列还有没有]]></description><category></category></item></channel></rss>