<?xml version="1.0" encoding="utf-8" ?><rss version="2.0"><channel><title><![CDATA[knowledge_endlesss的博客]]></title><description><![CDATA[]]></description><link>https://blog.youkuaiyun.com/knowledge_endlesss</link><language>zh-cn</language><generator>https://blog.youkuaiyun.com/</generator><copyright><![CDATA[Copyright &copy; knowledge_endlesss]]></copyright><item><title><![CDATA[CV语义分割-地表建筑物识别-task5模型训练与验证]]></title><link>https://blog.youkuaiyun.com/knowledge_endlesss/article/details/114380828</link><guid>https://blog.youkuaiyun.com/knowledge_endlesss/article/details/114380828</guid><author>knowledge_endlesss</author><pubDate>Fri, 05 Mar 2021 00:04:18 +0800</pubDate><description><![CDATA[一、学习目标
• 理解验证集的作用，并使用训练集和验证集完成训练
• 学会使用 Pytorch 环境下的模型读取和加载，并了解调参流程
二、数据准备
通常的数据构造分为如下几种：
• 训练集（Train Set）：模型用于训练和调整模型参数；
• 验证集（Validation Set）：用来验证模型精度和调整模型超参数；
• 测试集（Test Set）：验证模型的泛化能力。
对于获取到的训练数据可以使用如下方法分为训练集、验证集、测试集：
1，留出法
2，交叉验证法
3，自助采样法
三、模型训练与验证
tr]]></description><category></category></item><item><title><![CDATA[CV语义分割-地表建筑物识别-task4 评价函数和学习]]></title><link>https://blog.youkuaiyun.com/knowledge_endlesss/article/details/114274129</link><guid>https://blog.youkuaiyun.com/knowledge_endlesss/article/details/114274129</guid><author>knowledge_endlesss</author><pubDate>Mon, 01 Mar 2021 23:51:51 +0800</pubDate><description><![CDATA[一、学习目标
• 掌握常见的评价函数和损失函数 Dice、IoU、BCE、Focal Loss、Lovász-Softmax；
• 掌握评价/损失函数的实践；
二、各个评价函数练习
1，dice 与 dice loss
import numpy as np
def dice(output, target):
    '''计算Dice系数'''
    smooth = 1e-6 # 避免0为除数 - 
    intersection = (output * target).sum()
    retur]]></description><category></category></item><item><title><![CDATA[CV语义分割-地表建筑物识别-task3 语义分割模型学习]]></title><link>https://blog.youkuaiyun.com/knowledge_endlesss/article/details/114157244</link><guid>https://blog.youkuaiyun.com/knowledge_endlesss/article/details/114157244</guid><author>knowledge_endlesss</author><pubDate>Sat, 27 Feb 2021 01:03:37 +0800</pubDate><description><![CDATA[学习目标
• 掌握语义分割模型的原理和训练过程；
• 掌握语义分割模型的发展脉络；
• 掌握语义分割模型的使用；
语义分割模型分类
FCN 、SegNet、Unet、DeepLab、RefineNet、PSPNet、
GAN 语义分割
最常用的是：segmentation_models_pytorch 库来调用
安装方法：
pip install segmentation-models-pytorch

调用方法：
import segmentation_models_pytorch as smp
mode]]></description><category></category></item><item><title><![CDATA[CV语义分割-地表建筑物识别-task2 数据扩增]]></title><link>https://blog.youkuaiyun.com/knowledge_endlesss/article/details/114004788</link><guid>https://blog.youkuaiyun.com/knowledge_endlesss/article/details/114004788</guid><author>knowledge_endlesss</author><pubDate>Wed, 24 Feb 2021 00:17:50 +0800</pubDate><description><![CDATA[CV语义分割-地表建筑物识别-task2 数据扩增
一、学习目标
• 理解基础的数据扩增方法
• 学习 OpenCV 和 albumentations 完成数据扩增
• Pytorch 完成赛题读取
二、数据扩增方法梳理

三、扩增练习
1，基于opencv的几何变换
plt.imshow(cv2.flip(img, 0))  ##垂直翻转
plt.imshow(cv2.flip(img, 1))  ##水平翻转

x, y = np.random.randint(0, 256), np.random.ra]]></description><category></category></item><item><title><![CDATA[CV语义分割-地表建筑物识别-task1 赛题理解]]></title><link>https://blog.youkuaiyun.com/knowledge_endlesss/article/details/113902992</link><guid>https://blog.youkuaiyun.com/knowledge_endlesss/article/details/113902992</guid><author>knowledge_endlesss</author><pubDate>Sun, 21 Feb 2021 00:14:54 +0800</pubDate><description><![CDATA[CV语义分割-地表建筑物识别-task1 赛题理解
比赛地址：比赛地址
开源内容：开源内容
1，学习目标
• 理解赛题背景和赛题数据
• 完成赛题报名和数据下载，理解赛题的解题思路
2，数据标签RLE的意义
RLE 全称（run-length encoding），翻译为游程编码或行程长度编码，对连续的黑、白像素数以不同的码字进行编码。RLE 是一种简单的非破坏性资料压缩法，经常用在在语义分割比赛中对标签进行编码。
可以理解为：用2个字节为最小单位进行压缩，第一个字节最高位表示重复还是非重复数据，低7bit表]]></description><category></category></item><item><title><![CDATA[Macbook m1芯片版本怎么安装tensorflow2.0和pytorch1.8]]></title><link>https://blog.youkuaiyun.com/knowledge_endlesss/article/details/113853831</link><guid>https://blog.youkuaiyun.com/knowledge_endlesss/article/details/113853831</guid><author>knowledge_endlesss</author><pubDate>Thu, 18 Feb 2021 23:23:38 +0800</pubDate><description><![CDATA[MACbook m1芯片怎么安装tensorflow和pytorch秀一下最终结果环境准备安装conda创建tensorflow虚拟环境tensorflow测试代码完成tensorflow安装后再次搭建pytorch虚拟环境
秀一下最终结果

环境准备

从Python官网下载支持Apple Silicon的版本
https://www.python.org/downloads/mac-osx/

2，完成后按默认条件安装即可。在终端输入python3，可看到您下载的Python版本

安装conda
1，]]></description><category></category></item><item><title><![CDATA[零基础入门金融风控之模型融合]]></title><link>https://blog.youkuaiyun.com/knowledge_endlesss/article/details/108842372</link><guid>https://blog.youkuaiyun.com/knowledge_endlesss/article/details/108842372</guid><author>knowledge_endlesss</author><pubDate>Mon, 28 Sep 2020 08:58:15 +0800</pubDate><description><![CDATA[学习目标
将之前建模调参的结果进行模型融合，并尝试多种融合方案
融合方法
1，平均法
2，投票法
3，综合法
4，stacking
5, blending
6, boosting/bagging
待补充详细

]]></description><category></category></item><item><title><![CDATA[零基础入门金融风控之建模与调参]]></title><link>https://blog.youkuaiyun.com/knowledge_endlesss/article/details/108784236</link><guid>https://blog.youkuaiyun.com/knowledge_endlesss/article/details/108784236</guid><author>knowledge_endlesss</author><pubDate>Thu, 24 Sep 2020 23:46:09 +0800</pubDate><description><![CDATA[1 学习目标

学习在金融风控领域常用的机器学习模型
学习机器学习模型的建模过程与调参流程

2 如何建模
一，了解通用的几个模型：
逻辑回归模型、决策树模型、集成GBDT模型（随机森林、XGBOOST、LightGBM、CatBOOST）
逻辑回归

优点
a. 训练速度较快，分类的时候，计算量仅仅只和特征的数目相关；
b. 简单易理解，模型的可解释性非常好，从特征的权重可以看到不同的特征对最后结果的影响；
c. 适合二分类问题，不需要缩放输入特征；
d. 内存资源占用小，只需要存储各个维度的特征值；
缺]]></description><category></category></item><item><title><![CDATA[零基础入门金融风控之特征工程]]></title><link>https://blog.youkuaiyun.com/knowledge_endlesss/article/details/108721697</link><guid>https://blog.youkuaiyun.com/knowledge_endlesss/article/details/108721697</guid><author>knowledge_endlesss</author><pubDate>Mon, 21 Sep 2020 23:33:14 +0800</pubDate><description><![CDATA[1、学习目标

学习特征预处理、缺失值、异常值处理、数据分桶等特征处理方法
学习特征交互、编码、选择的相应方法
完成相应学习打卡任务，两个选做的作业不做强制性要求，供学有余力同学自己探索

2、特征处理


数据预处理：
a. 缺失值的填充
b. 时间格式处理
c. 对象类型特征转换到数值


异常值处理：
a. 基于3segama原则
b. 基于箱型图


数据分箱
a. 固定宽度分箱
b. 分位数分箱
离散数值型数据分箱
连续数值型数据分箱c. 卡方分箱（选做作业）


特征交互
a. 特征和特征之间组]]></description><category></category></item><item><title><![CDATA[机器学习之零基础入门金融风控---贷款违约挑战赛（数据分析）]]></title><link>https://blog.youkuaiyun.com/knowledge_endlesss/article/details/108674238</link><guid>https://blog.youkuaiyun.com/knowledge_endlesss/article/details/108674238</guid><author>knowledge_endlesss</author><pubDate>Fri, 18 Sep 2020 23:14:09 +0800</pubDate><description><![CDATA[机器学习之零基础入门金融风控—贷款违约挑战赛
一、本期目标

数据总体了解：
a. 读取数据集并了解数据集大小，原始特征维度；
b. 通过info熟悉数据类型；
c. 粗略查看数据集中各特征基本统计量；
缺失值和唯一值：
a. 查看数据缺失值情况b. 查看唯一值特征情况
深入数据-查看数据类型
a. 类别型数据
b. 数值型数据
离散数值型数据
连续数值型数据
数据间相关关系
a. 特征和特征之间关系
b. 特征和目标变量之间关系
用pandas_profiling生成数据报告
#二、针对特征数据进行分析
]]></description><category></category></item><item><title><![CDATA[机器学习之零基础入门金融风控--贷款违约挑战赛]]></title><link>https://blog.youkuaiyun.com/knowledge_endlesss/article/details/108611673</link><guid>https://blog.youkuaiyun.com/knowledge_endlesss/article/details/108611673</guid><author>knowledge_endlesss</author><pubDate>Tue, 15 Sep 2020 22:44:49 +0800</pubDate><description><![CDATA[机器学习之零基础入门金融风控–贷款违约挑战赛
一、赛题理解
迅速阅读一遍官方文档，作为小白开始机器学习需要找到每个阶段的目标，目前还需要学习哪些新知识点，初步识别到如下几个：

二、指标解释
这个赛题主要的评分指标ROC曲线，大家细细品为啥固定的数据，得出固定的（TPR，FPR）对应到图上是一个点，怎么能称之为曲线呢？

ROC解释的地址：
https://segmentfault.com/a/1190000016686335
（我们讨论认为使用不同模型进行预测导致TPR与FPR的计算结果不一致，才能绘制出]]></description><category></category></item></channel></rss>