Lu_mi的博客

1、Scratchpad 这个插件非常有用，我们做数据分析EDA或者特征工程时经常要各种尝试，而不是要真正的运行cell代码。 这个时候在同一个notebook里来回运行就非常容易乱，找不到自己想要的那个对的代码了。当然，可以注释，不过也比较不好管理。 使用这个插件可以在当前内核上运行代码，而不必在实际代码之间不断添加新单元以进行实验或计算。使用 Shift + Enter 打开便签本，然后通过 Ctrl + B 将其关闭。 测试时真心方便 2、Code folding code folding 插件

腾讯AI Lab与王者荣耀联合研发的策略协作型 AI「绝悟」，全英雄池解禁，升级成「完全体」了。 11月28日到30日，将限时开放三天公众体验。 这次的升级，带来了新算法，除了突破了可用英雄限制，还优化了禁选英雄博弈策略。 而与此次升级相关的研究，也在近期被NeurIPS 2020和TNNLS分别收录。 在这两篇研究中，分别介绍了「绝悟」进行强化训练和监督训练具体细节。 那么，「完全体绝悟」是如何训练出来的呢？ 就让我们顺着这次的论文，好好来了解一下。 新的MOBA AI强化学习范式 这次更新带来的最大亮

文章目录线性回归损失函数 线性回归 回归就是输出是连续的函数，那么线性回归就是输出是直线的连续函数。也就是我们数学中所说的一次函数。 Y = θ1X+θ0 在这个函数里有两个参数：θ1和θ0。θ1是斜率，θ2是截距。想下边这个房价与面积关系图片 我们会在大脑中把这些点组合起来，大致是一条过原点的直线，则可以写为 Y = 0.8X 对应到线性回归公式中，θ1为0.8，θ0为0。 那怎么判断这个回归是否准确？则要引入另一个函数： 损失函数 它的意思是，真实值与预测值差的平方的均值除以二。 当损失函数

文章目录Tom的定义如下：监督式学习Supervised learning回归分类降维无监督学习Unsupervised learning聚类算法 "深蓝"号机器人的概想早在50 年代就有了 Samuel编写了一个西洋棋程序。 这程序神奇之处在于，编程者自己并不是个下棋高手。 但因为他太菜了，于是就通过编程， 让西洋棋程序自己跟自己下了上万盘棋。通过观察 哪种布局（棋盘位置）会赢，哪种布局会输， 久而久之，这西洋棋程序明白了什么是好的布局， 什么样是坏的布局。然后就牛逼大发了，程序通过学习后， 玩西洋棋的水