gdxdekx的博客

Pandas本文提供了所有章节的可运行代码，要想尽快学习掌握，还是需要动手去运行查看效果，然后自己动手编写。1、基本介绍pandas类似于python的字典，一般和numpy搭配着使用。创建DataFrame，指定行和列的名称默认名称就是索引号传入字典构造DataFrame查看数据类型查看行和列的名称转置排序，按照索引名称排序。按照值排序import pandas as pdimport numpy as np# pd类似于字典# 一般为pd和np搭配着使用s = pd

numpy本套教程是基于莫烦python的教学视频记录的学习笔记，每一部分都是一个可运行的python代码块，可以直接拷贝运行，并且知识点都有清晰地注释0、作用使用numpy&pandas使得数据分析中计算非常快，比python自带的字典和列表快很多，因为这俩模块使用C语言编写的。应用到了矩阵的运算，使用C语言实现，更快。1、安装直接在终端使用命令pip install numpy安装完成即可2、numpy基本属性基本属性包括：将列表转换为numpy的array，查看arra

1、安装minicondawindows下安装，去清华大学开源镜像下载，速度比较快。选中Miniconda3-latest-Windos-x86_64.exe下载安装包（目前最新的是py3.9）或者（py3.8版本的）（由于该课程李沐用的是3.8，所以建议3.8）：下载完成之后双击安装即可，一般都选择默认配置即可安装完成后，打开anaconda prompt这个终端（安装miniconda的时候会自动安装prompt到你电脑上），然后分别执行如下四个命令，将conda和pip的软件源修

1、softmax回归1.1 从回归到分类输出i是预测为第i类的置信度。输出的个数等于类别的个数均方损失n个类别，假设先用1,0表示是否类别正确。使用均方损失训练，最大值作为预测。校验比例其实我们关心的不是他具体分类的置信度的值是多少。关心的是是否可以把正确类别的置信度是否特别大，模型能够把真正的类别和其他的类别拉开一个距离，数学表达式为 Oy−Oi>=Δ(y,i)O_y - O_i >= \Delta(y,i)Oy​−Oi​>=Δ(y,i)引入一个操作子softma

一、从零开始实现1.1 读取数据集训练模型时要对数据集进行遍历，每次抽取一小批量样本，并使用它们来更新我们的模型。 由于这个过程是训练机器学习算法的基础，所以有必要定义一个函数，该函数能打乱数据集中的样本并以小批量方式获取数据。def data_iter(batch_size, features, labels): """ 该函数接收批量大小、特征矩阵和标签向量作为输入，生成大小为batch_size的小批量]。每个小批量包含一组特征和标签。""" num_examples = len

1.线性回归 linear-regression1.1 一个简化模型问题引入：房价预测，究竟什么决定着房价。简化模型为：y=w1x1+w2+w3+b y=w_1x_1+w_2+w_3+by=w1​x1​+w2​+w3​+b​​​1.2 线性模型1.2.1 模型公式定义给定n为输入：x=[x1,x2,...,xn]T\mathbf{x}=[x_1,x_2,...,x_n]^Tx=[x1​,x2​,...,xn​]T​线性模型中有一个n维权重和一个标量偏差​ w

1.矩阵求导1.1 标量导数（高中知识）都是高中的知识1.2 亚导数将导数拓展到不可导的情况1.3 梯度将导数扩展到向量1.3.1 $ \partial y/\partial\mathbf{x} $ 底部是向量，上部是标量由于向量在底部，所以求导之后结果的向量会反过来样例为下：特别的就是，两个向量的内积为矩阵，sum一个向量，其导数为向量1的转置注意，对于$ \frac{\partial<\bold{w,x}>}{\partial\bold{w}} = \