<?xml version="1.0" encoding="utf-8" ?><rss version="2.0"><channel><title><![CDATA[kunlong0909的专栏]]></title><description><![CDATA[让我们承载着希望，远航]]></description><link>https://blog.youkuaiyun.com/kunlong0909</link><language>zh-cn</language><generator>https://blog.youkuaiyun.com/</generator><copyright><![CDATA[Copyright &copy; kunlong0909]]></copyright><item><title><![CDATA[Java中8种基本数据类型及其默认值]]></title><link>https://blog.youkuaiyun.com/kunlong0909/article/details/72865048</link><guid>https://blog.youkuaiyun.com/kunlong0909/article/details/72865048</guid><author>kunlong0909</author><pubDate>Mon, 05 Jun 2017 10:55:47 +0800</pubDate><description><![CDATA[Java语言中有8种基本数据类型，基本情况汇总如下：










Java中8种基本数据类型总结





序号



数据类型



大小/位



封装类



默认值



可表示数据范围





1



byte(位)



8



Byte



0

]]></description><category></category></item><item><title><![CDATA[Softmax回归]]></title><link>https://blog.youkuaiyun.com/kunlong0909/article/details/53216948</link><guid>https://blog.youkuaiyun.com/kunlong0909/article/details/53216948</guid><author>kunlong0909</author><pubDate>Fri, 18 Nov 2016 15:10:52 +0800</pubDate><description><![CDATA[Contents
 [hide]

1 简介2 代价函数3 Softmax回归模型参数化的特点4 权重衰减5 Softmax回归与Logistic
 回归的关系6 Softmax
 回归 vs. k 个二元分类器7 中英文对照8 中文译者





简介

在本节中，我们介绍Softmax回归模型，该模型是logistic回归模型在多分类问题上的推广，在多分类问题中，类标]]></description><category></category></item><item><title><![CDATA[协同过滤]]></title><link>https://blog.youkuaiyun.com/kunlong0909/article/details/52879846</link><guid>https://blog.youkuaiyun.com/kunlong0909/article/details/52879846</guid><author>kunlong0909</author><pubDate>Fri, 21 Oct 2016 09:26:28 +0800</pubDate><description><![CDATA[在现今的推荐技术和算法中，最被大家广泛认可和采用的就是基于协同过滤的推荐方法。本文将带你深入了解协同过滤的秘密。下面直接进入正题

1 什么是协同过滤

协同过滤是利用集体智慧的一个典型方法。要理解什么是协同过滤 (Collaborative Filtering, 简称 CF)，首先想一个简单的问题，如果你现在想看个电影，但你不知道具体看哪部，你会怎么做？大部分的人会问问周围的朋友，看看最]]></description><category></category></item><item><title><![CDATA[使用sklearn做单机特征工程]]></title><link>https://blog.youkuaiyun.com/kunlong0909/article/details/52831967</link><guid>https://blog.youkuaiyun.com/kunlong0909/article/details/52831967</guid><author>kunlong0909</author><pubDate>Sun, 16 Oct 2016 18:25:17 +0800</pubDate><description><![CDATA[1 特征工程是什么？
有这么一句话在业界广泛流传：数据和特征决定了机器学习的上限，而模型和算法只是逼近这个上限而已。那特征工程到底是什么呢？顾名思义，其本质是一项工程活动，目的是最大限度地从原始数据中提取特征以供算法和模型使用。通过总结和归纳，人们认为特征工程包括以下方面：

特征处理是特征工程的核心部分，sklearn提供了较为完整的特征处理方法，包括数据预处理，特征选择，降维等。首次接触]]></description><category></category></item><item><title><![CDATA[欢迎使用优快云-markdown编辑器]]></title><link>https://blog.youkuaiyun.com/kunlong0909/article/details/52798653</link><guid>https://blog.youkuaiyun.com/kunlong0909/article/details/52798653</guid><author>kunlong0909</author><pubDate>Wed, 12 Oct 2016 17:08:54 +0800</pubDate><description><![CDATA[一、问题的提出 
经典计量经济模型常用到的数据有三种类型： 
1．时间序列数据（time-series data) ，亦即单一变量按时间的先后次序产生的数据。 
2．截面数据(cross-sectional data) ，亦即多个变量在同一个时间点（截面空间）上产生的数据。 
3．平行/面板数据（panel data/time-series cross-section data)  ，也称时间序列截]]></description><category></category></item><item><title><![CDATA[[python] 时间序列分析之ARIMA]]></title><link>https://blog.youkuaiyun.com/kunlong0909/article/details/52756821</link><guid>https://blog.youkuaiyun.com/kunlong0909/article/details/52756821</guid><author>kunlong0909</author><pubDate>Sat, 08 Oct 2016 15:13:59 +0800</pubDate><description><![CDATA[1 时间序列与时间序列分析

在生产和科学研究中，对某一个或者一组变量 x(t) 进行观察测量，将在一系列时刻 t1,t2,⋯,tn 所得到的离散数字组成的序列集合，称之为时间序列。 
时间序列分析是根据系统观察得到的时间序列数据，通过曲线拟合和参数估计来建立数学模型的理论和方法。时间序列分析常用于国民宏观经济控制、市场潜力预测、气象预测、农作物害虫灾害预报等各个方面。

2 时间序列建]]></description><category></category></item><item><title><![CDATA[关于使用sklearn进行数据预处理 —— 归一化/标准化/正则化]]></title><link>https://blog.youkuaiyun.com/kunlong0909/article/details/52600991</link><guid>https://blog.youkuaiyun.com/kunlong0909/article/details/52600991</guid><author>kunlong0909</author><pubDate>Tue, 20 Sep 2016 22:02:52 +0800</pubDate><description><![CDATA[一、标准化（Z-Score），或者去除均值和方差缩放

公式为：(X-mean)/std  计算时对每个属性/每列分别进行。

将数据按期属性（按列进行）减去其均值，并处以其方差。得到的结果是，对于每个属性/每列来说所有数据都聚集在0附近，方差为1。

实现时，有两种不同的方式：



使用sklearn.preprocessing.scale()函数，可以直接将给定数据进行标]]></description><category></category></item><item><title><![CDATA[机器学习基石笔记1——在何时可以使用机器学习(1)]]></title><link>https://blog.youkuaiyun.com/kunlong0909/article/details/52592778</link><guid>https://blog.youkuaiyun.com/kunlong0909/article/details/52592778</guid><author>kunlong0909</author><pubDate>Tue, 20 Sep 2016 09:24:02 +0800</pubDate><description><![CDATA[转载请注明出处：http://www.cnblogs.com/ymingjingr/p/4271742.html
目录
机器学习基石笔记1——在何时可以使用机器学习(1)
机器学习基石笔记2——在何时可以使用机器学习(2)
机器学习基石笔记3——在何时可以使用机器学习(3)(修改版)
机器学习基石笔记4——在何时可以使用机器学习（4）
机器学习基石笔记5——为什么机器可以学习（1）
]]></description><category></category></item><item><title><![CDATA[最近打算好好整理整理知识，这里列出可参考的博客列表]]></title><link>https://blog.youkuaiyun.com/kunlong0909/article/details/52535587</link><guid>https://blog.youkuaiyun.com/kunlong0909/article/details/52535587</guid><author>kunlong0909</author><pubDate>Wed, 14 Sep 2016 10:29:29 +0800</pubDate><description><![CDATA[1.感觉比较清晰大气的
  http://www.powerxing.com/logistic-regression-in-python/]]></description><category></category></item><item><title><![CDATA[机器学习，计算视觉总结性的东西]]></title><link>https://blog.youkuaiyun.com/kunlong0909/article/details/52535494</link><guid>https://blog.youkuaiyun.com/kunlong0909/article/details/52535494</guid><author>kunlong0909</author><pubDate>Wed, 14 Sep 2016 10:20:55 +0800</pubDate><description><![CDATA[http://blog.youkuaiyun.com/zouxy09/article/details/14222605]]></description><category></category></item><item><title><![CDATA[Factorization Machines 学习笔记（四）学习算法]]></title><link>https://blog.youkuaiyun.com/kunlong0909/article/details/52496465</link><guid>https://blog.youkuaiyun.com/kunlong0909/article/details/52496465</guid><author>kunlong0909</author><pubDate>Sat, 10 Sep 2016 18:51:31 +0800</pubDate><description><![CDATA[Factorization Machines 学习笔记（四）学习算法


标签： FMFactorizationMachine稀疏特征SGDALS
2014-10-28 10:22 9370人阅读 评论(7) 收藏 举报



 分类：

数据挖掘（34）  机器学习（36） 



版权声明：本文为博主原创文章，未经博主允许不得转载。]]></description><category></category></item><item><title><![CDATA[Factorization Machines 学习笔记（三）回归和分类]]></title><link>https://blog.youkuaiyun.com/kunlong0909/article/details/52496460</link><guid>https://blog.youkuaiyun.com/kunlong0909/article/details/52496460</guid><author>kunlong0909</author><pubDate>Sat, 10 Sep 2016 18:49:19 +0800</pubDate><description><![CDATA[最近学习了一种叫做 Factorization Machines（简称 FM）的算法，它可对任意的实值向量进行预测。其主要优点包括: 1) 可用于高度稀疏数据场景；2) 具有线性的计算复杂度。本文将对 FM 框架进行简单介绍，并对其训练算法 — 随机梯度下降（SGD）法和交替最小二乘（ALS）法进行详细推导。



相关链接：

（一）预测任务

（二）模型方程

（三）回归和分]]></description><category></category></item><item><title><![CDATA[Factorization Machines 学习笔记（二）模型方程]]></title><link>https://blog.youkuaiyun.com/kunlong0909/article/details/52496458</link><guid>https://blog.youkuaiyun.com/kunlong0909/article/details/52496458</guid><author>kunlong0909</author><pubDate>Sat, 10 Sep 2016 18:48:19 +0800</pubDate><description><![CDATA[最近学习了一种叫做 Factorization Machines（简称 FM）的算法，它可对任意的实值向量进行预测。其主要优点包括: 1) 可用于高度稀疏数据场景；2) 具有线性的计算复杂度。本文将对 FM 框架进行简单介绍，并对其训练算法 — 随机梯度下降（SGD）法和交替最小二乘（ALS）法进行详细推导。



相关链接：

（一）预测任务

（二）模型方程

（三）回归和分]]></description><category></category></item><item><title><![CDATA[Factorization Machines 学习笔记（一）预测任务]]></title><link>https://blog.youkuaiyun.com/kunlong0909/article/details/52496454</link><guid>https://blog.youkuaiyun.com/kunlong0909/article/details/52496454</guid><author>kunlong0909</author><pubDate>Sat, 10 Sep 2016 18:47:49 +0800</pubDate><description><![CDATA[最近学习了一种叫做 Factorization Machines（简称 FM）的算法，它可对任意的实值向量进行预测。其主要优点包括: 1) 可用于高度稀疏数据场景；2) 具有线性的计算复杂度。本文将对 FM 框架进行简单介绍，并对其训练算法 — 随机梯度下降（SGD）法和交替最小二乘法（ALS）法进行详细推导。



相关链接：

（一）预测任务

（二）模型方程

（三）回归和]]></description><category></category></item><item><title><![CDATA[简单易学的机器学习算法——因子分解机(Factorization Machine)]]></title><link>https://blog.youkuaiyun.com/kunlong0909/article/details/52496221</link><guid>https://blog.youkuaiyun.com/kunlong0909/article/details/52496221</guid><author>kunlong0909</author><pubDate>Sat, 10 Sep 2016 18:11:19 +0800</pubDate><description><![CDATA[一、因子分解机FM的模型
   因子分解机(Factorization Machine, FM)是由Steffen
 Rendle提出的一种基于矩阵分解的机器学习算法。
1、因子分解机FM的优势



    对于因子分解机FM来说，最大的特点是对于稀疏的数据具有很好的学习能力。现实中稀疏的数据很多，例如作者所举的推荐系统的例子便是一个很直观的具有稀疏特点的例子。
2、因子分解机F]]></description><category></category></item><item><title><![CDATA[远程访问jupyter notebook]]></title><link>https://blog.youkuaiyun.com/kunlong0909/article/details/52464495</link><guid>https://blog.youkuaiyun.com/kunlong0909/article/details/52464495</guid><author>kunlong0909</author><pubDate>Wed, 07 Sep 2016 23:19:20 +0800</pubDate><description><![CDATA[ipython notebook是一个基于浏览器的python数据分析工具，使用起来非常方便，具有极强的交互方式和富文本的展示效果。jupyter是它的升级版，它的安装也非常方便，一般Anaconda安装包中会自带。安装好以后直接输入jupyter
 notebook便可以在浏览器中使用。但是它默认只能在本地访问，如果想把它安装在服务器上，然后在本地远程访问，则需要进行如下配置：

1. 登]]></description><category></category></item><item><title><![CDATA[NumPy Basics: Arrays and Vectorized Computation]]></title><link>https://blog.youkuaiyun.com/kunlong0909/article/details/52437644</link><guid>https://blog.youkuaiyun.com/kunlong0909/article/details/52437644</guid><author>kunlong0909</author><pubDate>Mon, 05 Sep 2016 09:44:43 +0800</pubDate><description><![CDATA[1. NumPy Basics: Arrays and Vectorized Computation

NumPy 是 Numerical Python 的简称，是高性能计算和数据分析的基础包。本书中几乎所有高级工具都是建立在它的基础之上，下面是它所能做的一些事情：


ndarray，快速和节省空间的多维数组，提供数组化的算术运算和高级的 广播 功能。使用标准数学函数对整个数组的数据进]]></description><category></category></item><item><title><![CDATA[线性判别分析（LDA）, 主成分分析(PCA)]]></title><link>https://blog.youkuaiyun.com/kunlong0909/article/details/52416627</link><guid>https://blog.youkuaiyun.com/kunlong0909/article/details/52416627</guid><author>kunlong0909</author><pubDate>Fri, 02 Sep 2016 20:18:54 +0800</pubDate><description><![CDATA[版权声明：

    本文由LeftNotEasy发布于http://leftnoteasy.cnblogs.com, 本文可以被全部的转载或者部分使用，但请注明出处，如果有问题，请联系wheeleast@gmail.com

前言：

    第二篇的文章中谈到，和部门老大一宁出去outing的时候，他给了我相当多的机器学习的建议，里面涉及到很多的算法的意义、学习方法等等。一宁上次给]]></description><category></category></item><item><title><![CDATA[强大的矩阵奇异值分解(SVD)及其应用]]></title><link>https://blog.youkuaiyun.com/kunlong0909/article/details/52416620</link><guid>https://blog.youkuaiyun.com/kunlong0909/article/details/52416620</guid><author>kunlong0909</author><pubDate>Fri, 02 Sep 2016 20:16:59 +0800</pubDate><description><![CDATA[机器学习中的数学(5)-强大的矩阵奇异值分解(SVD)及其应用


版权声明：
    本文由LeftNotEasy发布于http://leftnoteasy.cnblogs.com, 本文可以被全部的转载或者部分使用，但请注明出处，如果有问题，请联系wheeleast@gmail.com。也可以加我的微博: @leftnoteasy
前言：
    上一次写了关于PCA与LDA的文章]]></description><category></category></item><item><title><![CDATA[逻辑回归：从入门到精通]]></title><link>https://blog.youkuaiyun.com/kunlong0909/article/details/52416246</link><guid>https://blog.youkuaiyun.com/kunlong0909/article/details/52416246</guid><author>kunlong0909</author><pubDate>Fri, 02 Sep 2016 18:54:12 +0800</pubDate><description><![CDATA[这里推荐一个非常经典的逻辑回归教程，这个人可是韩家炜的学生，好好膜拜一下~~~
      文章链接为：http://www.tianyancha.com/research/LR_intro.pdf]]></description><category></category></item></channel></rss>