<?xml version="1.0" encoding="utf-8" ?><rss version="2.0"><channel><title><![CDATA[GladYouCame]]></title><description><![CDATA[Stay Hungry. Stay Foolish.]]></description><link>https://blog.youkuaiyun.com/github_38486975</link><language>zh-cn</language><generator>https://blog.youkuaiyun.com/</generator><copyright><![CDATA[Copyright &copy; github_38486975]]></copyright><item><title><![CDATA[自适应性数据中心在线能效预测解决方案]]></title><link>https://blog.youkuaiyun.com/github_38486975/article/details/114682032</link><guid>https://blog.youkuaiyun.com/github_38486975/article/details/114682032</guid><author>github_38486975</author><pubDate>Thu, 11 Mar 2021 22:32:28 +0800</pubDate><description><![CDATA[2019华为开发者大赛，SoftCOM通信智能(NAIE)赛道获奖方案分享
大赛依托于NAIE平台，从导入数据、特征操作、模型训练，到模型打包与验证，全流程开发算法模型。从琅琊榜上的提交记录可以看到，大家平时学业繁重或是工作繁忙，只能熬夜编码，周末更是黄金时间。除了参赛选手，还有平台团队的陪伴，随时解决大家的疑问。大赛过程中每一个关于平台使用的问题，都会得到及时反馈并有效解决，这一点相信每一位参赛选手都深有体会。所以，文章开始我要向平台团队每一位夜以继日的耕耘者致敬。希望平台越来越棒，这样一个平台也必然越来]]></description><category></category></item><item><title><![CDATA[用Echart可视化有向图]]></title><link>https://blog.youkuaiyun.com/github_38486975/article/details/92009619</link><guid>https://blog.youkuaiyun.com/github_38486975/article/details/92009619</guid><author>github_38486975</author><pubDate>Fri, 14 Jun 2019 21:28:43 +0800</pubDate><description><![CDATA[option = {
    
    title : {
        text: '轨迹图：所有栅格点',
        subtext: '数据来历史轨迹序列集合',
        x:'right',
        y:'bottom'
    },
    tooltip : {
        trigger: 'item',
        formatter: '{a} :...]]></description><category></category></item><item><title><![CDATA[准备转一篇对排序算法的总结]]></title><link>https://blog.youkuaiyun.com/github_38486975/article/details/90654422</link><guid>https://blog.youkuaiyun.com/github_38486975/article/details/90654422</guid><author>github_38486975</author><pubDate>Wed, 29 May 2019 01:31:52 +0800</pubDate><description><![CDATA[https://www.cnblogs.com/onepixel/p/7674659.html

]]></description><category></category></item><item><title><![CDATA[二叉树的相关算法总结]]></title><link>https://blog.youkuaiyun.com/github_38486975/article/details/90654351</link><guid>https://blog.youkuaiyun.com/github_38486975/article/details/90654351</guid><author>github_38486975</author><pubDate>Wed, 29 May 2019 01:30:24 +0800</pubDate><description><![CDATA[https://www.jianshu.com/p/81460d22e7bb
https://blog.youkuaiyun.com/github_38414650/article/details/76862692

]]></description><category></category></item><item><title><![CDATA[推荐系统实践（1）——windows环境下安装scikit-surprise实现协同过滤算法]]></title><link>https://blog.youkuaiyun.com/github_38486975/article/details/90454664</link><guid>https://blog.youkuaiyun.com/github_38486975/article/details/90454664</guid><author>github_38486975</author><pubDate>Wed, 22 May 2019 23:52:24 +0800</pubDate><description><![CDATA[关于Surprise功能及使用直接看官方文档
Surprise是一个用于推荐系统构建和分析的开源库。
surprise官方文档（最好的学习资源没有之一）：http://surpriselib.com/
windows环境下安装scikit-surprise
conda install -c conda-forge scikit-surprise

需要注意的是目前清华镜像停止了服务，用清华的可以把...]]></description><category></category></item><item><title><![CDATA[推荐系统算法原理一览——协同过滤算法VS隐语义模型]]></title><link>https://blog.youkuaiyun.com/github_38486975/article/details/90424816</link><guid>https://blog.youkuaiyun.com/github_38486975/article/details/90424816</guid><author>github_38486975</author><pubDate>Wed, 22 May 2019 01:11:58 +0800</pubDate><description><![CDATA[算法原理及简介

代码实践及分析

]]></description><category></category></item><item><title><![CDATA[多个模糊匹配条件下对两个数据集的高效聚合方法（加权最近邻优化）及实例代码]]></title><link>https://blog.youkuaiyun.com/github_38486975/article/details/90298274</link><guid>https://blog.youkuaiyun.com/github_38486975/article/details/90298274</guid><author>github_38486975</author><pubDate>Fri, 17 May 2019 22:35:34 +0800</pubDate><description><![CDATA[背景介绍：
现在某一社交软件，收集各20W+的男女数据集df_T054包括：ID、性别、生日、身高系数、工资系数等信息[‘ID’,‘DataType’,‘CallRecordUEID’,‘Height’,‘Salary’]
其中，身高系数、工资系数为male和female各自性别集合里统计出来的标准化数据，例如分位数等。（这样男间女比较身高,薪资才有意义）
需求很简单，尽可能为female找到最满...]]></description><category></category></item><item><title><![CDATA[更新tf后import Tf时，报错：TypeError: __init__() got an unexpected keyword argument 'serialized_options']]></title><link>https://blog.youkuaiyun.com/github_38486975/article/details/90280605</link><guid>https://blog.youkuaiyun.com/github_38486975/article/details/90280605</guid><author>github_38486975</author><pubDate>Fri, 17 May 2019 01:05:02 +0800</pubDate><description><![CDATA[conda list
看看本地tensorflow版本应该不是最新的版本吧
两次卸载重新安装最新tensorflow
pip3 uninstall  tensorflow
pip3 uninstall  tensorflow
确认卸载干净：

pip3 install --user --upgrade tensorflow
OK！！

...]]></description><category></category></item><item><title><![CDATA[使用Tensorflow中的tf.keras库报错：ModuleNotFoundError: No module named ‘tensorflow.keras’]]></title><link>https://blog.youkuaiyun.com/github_38486975/article/details/90280382</link><guid>https://blog.youkuaiyun.com/github_38486975/article/details/90280382</guid><author>github_38486975</author><pubDate>Fri, 17 May 2019 01:03:26 +0800</pubDate><description><![CDATA[Tensorflow版本过低,更新tf： pip3 install --user --upgrade tensorflow
tf.keras 和 keras有什么区别？：https://blog.youkuaiyun.com/hellocsz/article/details/88875304
修改keras后端：https://www.jianshu.com/p/13894be77908

...]]></description><category></category></item><item><title><![CDATA[波若波罗蜜心经学习心得]]></title><link>https://blog.youkuaiyun.com/github_38486975/article/details/89855530</link><guid>https://blog.youkuaiyun.com/github_38486975/article/details/89855530</guid><author>github_38486975</author><pubDate>Sun, 05 May 2019 21:19:26 +0800</pubDate><description><![CDATA[全文
观自在菩萨，行深般若波罗蜜多时，照见五蕴皆空，度一切苦厄。
舍利子，色不异空，空不异色，色即是空，空即是色，受想行识，亦复如是。
舍利子，是诸法空相，不生不灭，不垢不净，不增不减。
是故空中无色，无受想行识，无眼耳鼻舌身意，无色声香味触法，无眼界，乃至无意识界，无无明，亦无无明尽，乃至无老死，亦无老死尽。无苦集灭道，无智亦无得。以无所得故。
菩提萨埵，依般若波罗蜜多故，心无挂碍。无挂碍故，无...]]></description><category></category></item><item><title><![CDATA[机器学习算法（回归）总结与深度解析——模型表达、目标函数、求解算法、正则化、Ridge回归、Lasso回归、Logistic回归、Softmax回归、梯度下降算法]]></title><link>https://blog.youkuaiyun.com/github_38486975/article/details/89737699</link><guid>https://blog.youkuaiyun.com/github_38486975/article/details/89737699</guid><author>github_38486975</author><pubDate>Thu, 02 May 2019 20:09:37 +0800</pubDate><description><![CDATA[回归问题，这里有最细致的推导，最直观的解释，看这个就够了]]></description><category></category></item><item><title><![CDATA[机器学习常用目标函数、评价指标、Cost function等模型评估方法及sklearn实践]]></title><link>https://blog.youkuaiyun.com/github_38486975/article/details/89304958</link><guid>https://blog.youkuaiyun.com/github_38486975/article/details/89304958</guid><author>github_38486975</author><pubDate>Mon, 15 Apr 2019 01:58:00 +0800</pubDate><description><![CDATA[整理中。。。
模型评估：量化模型预测质量
有3种不同的API用于评估模型预测的质量：
Estimator评分方法：Estimators有一种score方法可以为他们设计要解决的问题提供默认评估标准。本页未对此进行讨论，但在每个估算工具的文档中都有讨论。
评分参数：使用交叉验证（例如 model_selection.cross_val_score和 model_selection.GridSearc...]]></description><category></category></item><item><title><![CDATA[基于显著性检验分析两个样本分布相似度及Python实现—— t检验、拟合优度检验、KS检验、Wilcoxon符号秩检验、H检验、Mann-Whitney秩检验、P值的意义、API汇总]]></title><link>https://blog.youkuaiyun.com/github_38486975/article/details/88985748</link><guid>https://blog.youkuaiyun.com/github_38486975/article/details/88985748</guid><author>github_38486975</author><pubDate>Mon, 15 Apr 2019 00:16:01 +0800</pubDate><description><![CDATA[在统计学中，差异显著性检验是“统计假设检验”（Statistical hypothesis testing）的一种，用于检测科学实验中实验组与对照组之间是否有差异以及差异是否显著的办法。
在实验进行过程中，尽管尽量排除随机误差的影响，以突出实验的处理效果，但由于个体间无法避免的差异，以及诸多无法控制的因素，使得实验结果最后表现的观察值处理处理效应之外，还包括实验误差的效应。
因此对两个样本进行比较...]]></description><category></category></item><item><title><![CDATA[一个完整的机器学习项目实战代码+数据分析过程：哈佛大学能耗预测项目（Prediction of Buildings Energy Consumption）]]></title><link>https://blog.youkuaiyun.com/github_38486975/article/details/89222187</link><guid>https://blog.youkuaiyun.com/github_38486975/article/details/89222187</guid><author>github_38486975</author><pubDate>Thu, 11 Apr 2019 23:27:44 +0800</pubDate><description><![CDATA[能耗预测项目资料获取
获取方式一：
Prediction of Buildings Energy Consumption项目介绍主页
获取方式二：
详细相关代码分析结果
获取方式三：
提取码：9uu2]]></description><category></category></item><item><title><![CDATA[机器学习算法（降维）总结及sklearn实践——主成分分析（PCA）、核PCA、LLE、流形学习]]></title><link>https://blog.youkuaiyun.com/github_38486975/article/details/88384884</link><guid>https://blog.youkuaiyun.com/github_38486975/article/details/88384884</guid><author>github_38486975</author><pubDate>Wed, 03 Apr 2019 01:05:24 +0800</pubDate><description><![CDATA[降维图谱降维什么时候会用到降维维数灾难降维的主要方法1.投影（Projection）主成分分析（PCA）保留最大方差的超平面主成分（Principle Componets）奇异值分解（SVD）投影到 d 维空间Scikit-Learn实现PCA方差解释率（Explained Variance Ratio）核 PCA（Kernel PCA）调整超参数引入模型，通过最优化模型表现调参直接基于最小重建误...]]></description><category></category></item><item><title><![CDATA[机器学习中距离/相似度的度量方法总结——闵科夫斯基距离、杰卡德距离、余弦相似度、Pearson相似系数、相对熵（KL散度）、Hellinger距离]]></title><link>https://blog.youkuaiyun.com/github_38486975/article/details/88960629</link><guid>https://blog.youkuaiyun.com/github_38486975/article/details/88960629</guid><author>github_38486975</author><pubDate>Tue, 02 Apr 2019 02:33:19 +0800</pubDate><description><![CDATA[闵科夫斯基距离（Minkowski）
计算公式：
dist(X,Y)=(∑i=1n∣xi−yi∣p)1pdist(X,Y)=\big(\sum_{i=1}^{n}|x_i-y_i|^p\big)^\frac{1}{p}dist(X,Y)=(i=1∑n​∣xi​−yi​∣p)p1​
杰卡德距离（Jaccard）
计算公式：
J(A,B)=∣A⋂B∣∣A⋃B∣J(A,B)=\frac{  |{A} \...]]></description><category></category></item><item><title><![CDATA[做LR时报错：Input contains NaN, infinity or a value too large for dtype(‘float64’)]]></title><link>https://blog.youkuaiyun.com/github_38486975/article/details/88939170</link><guid>https://blog.youkuaiyun.com/github_38486975/article/details/88939170</guid><author>github_38486975</author><pubDate>Mon, 01 Apr 2019 01:23:33 +0800</pubDate><description><![CDATA[问题1：做LR时报错： Input contains NaN, infinity or a value too large for dtype(‘float64’)
据未标准化
这是因为当您将sigmoid / logit函数应用于您的假设时，输出概率几乎都是大约0或全1并且使用您的成本函数，log（1  -  1）或log（0）将产生-Inf。
解决此问题的一种方法是在使用梯度下降进行训练之前对...]]></description><category></category></item><item><title><![CDATA[李航的十种统计学习方法总结]]></title><link>https://blog.youkuaiyun.com/github_38486975/article/details/81638329</link><guid>https://blog.youkuaiyun.com/github_38486975/article/details/81638329</guid><author>github_38486975</author><pubDate>Mon, 13 Aug 2018 23:07:45 +0800</pubDate><description><![CDATA[10种统计学习方法总结
	方法
			适用问题
			模型特点
			模型类型
			学习策略
			学习的损失函数
			学习算法
		感知机
			二分类
			分离超平面
			判别模型
			极小化误分点到超平面距离
			误分点到超平面距离
			随机梯度下降
		k近邻
			多分类、回归
			特征空间、样本点
			判别模型
			K-NN不具有显式的学习过程
		朴素贝叶斯法
	...]]></description><category></category></item></channel></rss>