haihongazar的博客

牛人主页（主页有很多论文代码） Serge Belongie  at UC San Diego Antonio Torralba  at MIT Alexei Ffros  at CMU Ce Liu  at Microsoft Research New England Vittorio Ferrari  at Univ.of Edinburgh Kristen

2.2.4 数组的形状操作 2.4.1 reshape更改数组的形状 数组的形状取决于其每个轴上的元素个数： >>> a= np.floor(10*np.random.random((3,4))) >>> a array([[ 7., 5., 9., 3.],            [ 7., 2., 7., 8.],            [ 6., 8., 3.,

2.2.3.6 合并数组 使用numpy下的vstack（垂直方向）和hstack（水平方向）函数： >>> a = np.ones((2,2)) >>> b = np.eye(2) >>> print np.vstack((a,b)) [[ 1.  1.]  [ 1.  1.]  [ 1.  0.]  [ 0.  1.]] >>> print np.hstack

2.2.3.5 矩阵的遍历 >>>for row in b: ...    print row ...                                   [0 1 2 3] [10 11 12 13] [20 21 22 23] [30 31 32 33] [40 41 42 43]   如果想对数组中每个元素都进行处理，可以

2.2.3.4 数组的索引、切片 和列表和其它Python序列一样，一维数组可以进行索引、切片和迭代操作。 >>> a= np.arange(10)** 3   #记住，操作符是对数组中逐元素处理的！#求立方 >>> a array([0, 1, 8, 27, 64, 125, 216, 343, 512, 729]) >>> a[2] 8 >>> a[2:5] a

3 数组的基本运算 数组的算术运算是按元素逐个运算。数组运算后将创建包含运算结果的新数组。 与其他矩阵语言不同，NumPy中的乘法运算符*按元素逐个计算，矩阵乘法可以使用dot函数或创建矩阵对象实现（后续介绍）   2.2.3.1 数组的加减运算 >>> a= np.array([20,30,40,50]) >>> b= np.arange( 4) >>> b ar

1 使用numpy.arange方法 >>> print np.arange(15) [ 0  1  2  3  4  5  6  7  8  9  10  11  12  13  14] >>> print type(np.arange(15)) >>> print np.arange(15).reshape(3,5) [[ 0  1  2  3  4]  [ 5

使用numpy.array方法 import numpy as np 以list或tuple变量为参数产生一维数组： >>> print np.array([1,2,3,4]) [1 2 3 4] >>> print np.array((1.2,2,3,4)) [ 1.2  2.   3.   4. ] >>> print type(np.array((1.2,2,3

1.安装导入了Numpy （通用做法import numpy as np 简单输入） >>> import numpy as np >>> print np.version.version 1.6.2   2.Numpy组成 Numpy基础部分中，有两个主要内容，如下： 任意维数的数组对象（ndarray，n-dimensional array ob

机器学习的应用步骤 1)        需求分析 2)        收集数据 3)        探索数据特性 4)        提取数据特征并建模 5)        开发代码（常用语言：R语言，Python语言，spark mllib库） 6)        训练模型 7)        应用系统集成（比如将训练好的算法模型集成到推荐系统中）   通用机器学习算法应用工程

http://www.educity.cn/wenda/354028.html Python 路径相关的函数 os.listdir(dirname)：列出dirname下的目录和文件 os.getcwd()：获得当前工作目录 os.curdir:返回当前目录（'.') os.chdir(dirname):改变工作目录到dirname os.path.isdir(na

课程大纲 KNN分类算法原理 KNN概述 KNN算法图示 KNN算法要点 KNN算法不足之处 KNN分类算法Python实战 KNN简单数据分类实践 KNN实现手写数字识别 KNN算法补充 KNN算法中k值的选取 类别判定

公号原文：http://dwz.cn/5EZvZ8; 原文可参阅：http://suo.im/KUWgl 和 http://suo.im/96wD3 「开始」往往是最难的，尤其是当选择太多的时候，一个人往往很难下定决定做出选择。本教程的目的是帮助几乎没有 Python 机器学习背景的新手成长为知识渊博的实践者，而且这个过程中仅需要使用免费的材料和资源即可。这个大纲的

机器学习算法类别 分类与聚类 l  Classification (分类)： 给定一堆样本数据，以及这些数据所属的类别标签，通过算法来对预测新数据的类别 有先验知识   l  Clustering(聚类)： 事先并不知道一堆数据可以被划分到哪些类，通过算法来发现数据之间的相似性，从而将相似的数据划入相应的类，简单地说就是把相似的东西分到一组 没有先验知识     常见的分类与