<?xml version="1.0" encoding="utf-8" ?><rss version="2.0"><channel><title><![CDATA[nivegiveup的博客]]></title><description><![CDATA[]]></description><link>https://blog.youkuaiyun.com/nivegiveup</link><language>zh-cn</language><generator>https://blog.youkuaiyun.com/</generator><copyright><![CDATA[Copyright &copy; nivegiveup]]></copyright><item><title><![CDATA[机器学习—图神经网络]]></title><link>https://blog.youkuaiyun.com/nivegiveup/article/details/135287328</link><guid>https://blog.youkuaiyun.com/nivegiveup/article/details/135287328</guid><author>nivegiveup</author><pubDate>Fri, 29 Dec 2023 11:42:53 +0800</pubDate><description><![CDATA[通常交给GCN两个东西：1. 各节点输入特征；2. 网络结构图（邻接矩阵）一般邻接矩阵不是N*N的。聚合操作可以当做全连接层。]]></description><category></category></item><item><title><![CDATA[机器学习—卷积神经网络]]></title><link>https://blog.youkuaiyun.com/nivegiveup/article/details/128696473</link><guid>https://blog.youkuaiyun.com/nivegiveup/article/details/128696473</guid><author>nivegiveup</author><pubDate>Sun, 15 Jan 2023 18:27:12 +0800</pubDate><description><![CDATA[卷积神经网络（Convolutional Neural Networks, CNN）是一类包含卷积计算且具有深度结构的前馈神经网络（Feedforward Neural Networks），是深度学习（deep learning）的代表算法之一 [1-2]  。卷积神经网络具有表征学习（representation learning）能力，能够按其阶层结构对输入信息进行平移不变分类（shift-invariant classification），因此也被称为“平移不变人工神经网络（Shift-Invaria]]></description><category></category></item><item><title><![CDATA[机器学习—深度神经网络]]></title><link>https://blog.youkuaiyun.com/nivegiveup/article/details/128690905</link><guid>https://blog.youkuaiyun.com/nivegiveup/article/details/128690905</guid><author>nivegiveup</author><pubDate>Sun, 15 Jan 2023 00:06:58 +0800</pubDate><description><![CDATA[深度学习是机器学习的一种，而机器学习是实现人工智能的必经路径。深度学习的概念源于人工神经网络的研究，含多个隐藏层的多层感知器就是一种深度学习结构。深度学习通过组合低层特征形成更加抽象的高层表示属性类别或特征，以发现数据的分布式特征表示。研究深度学习的动机在于建立模拟人脑进行分析学习的神经网络，它模仿人脑的机制来解释数据，例如图像，声音和文本等。]]></description><category></category></item><item><title><![CDATA[机器学习—决策树]]></title><link>https://blog.youkuaiyun.com/nivegiveup/article/details/127065827</link><guid>https://blog.youkuaiyun.com/nivegiveup/article/details/127065827</guid><author>nivegiveup</author><pubDate>Tue, 27 Sep 2022 09:55:39 +0800</pubDate><description><![CDATA[决策树(Decision Tree）是在已知各种情况发生概率的基础上，通过构成决策树来求取净现值的期望值大于等于零的概率，评价项目风险，判断其可行性的决策分析方法，是直观运用概率分析的一种图解法。由于这种决策分支画成图形很像一棵树的枝干，故称决策树。在机器学习中，决策树是一个预测模型，他代表的是对象属性与对象值之间的一种映射关系。Entropy = 系统的凌乱程度，使用算法ID3, C4.5和C5.0生成树算法使用熵。这一度量是基于信息学理论中熵的概念。
决策树是一种树形结构，其中每个内部节点表示一个属性上]]></description><category></category></item><item><title><![CDATA[机器学习—集成算法]]></title><link>https://blog.youkuaiyun.com/nivegiveup/article/details/126936040</link><guid>https://blog.youkuaiyun.com/nivegiveup/article/details/126936040</guid><author>nivegiveup</author><pubDate>Mon, 19 Sep 2022 16:10:40 +0800</pubDate><description><![CDATA[如模型1选取特征ABCD，模型2选取特征AB’CD，然后比较准确率。通过二重随机性，即数据和特征都是随机的，构造出来的每棵树基本都会不一样，结果也会不一样。前一次的树结果+当前一次的树结果；解释：如果某一数据在这次分类错误了，那么在下一次就会赋予它更大的权重。最终的结果：每个分类器根据自身的准确性来确定各自的权重，再合体。分类任务中，根据每棵树的结果，以结果相同最多的作为最终结果。回归任务中，将每棵树进行求和，再求平均作为最终结果。模型1.err < 模型2.err，则B特征重要。加入一棵树，要比原来强。]]></description><category></category></item><item><title><![CDATA[机器学习—逻辑回归模型]]></title><link>https://blog.youkuaiyun.com/nivegiveup/article/details/126935466</link><guid>https://blog.youkuaiyun.com/nivegiveup/article/details/126935466</guid><author>nivegiveup</author><pubDate>Mon, 19 Sep 2022 15:53:05 +0800</pubDate><description><![CDATA[logistic回归是一种广义线性回归（generalized linear model），因此与多重线性回归分析有很多相同之处。它们的模型形式基本上相同，都具有 w‘x+b，其中w和b是待求参数，其区别在于他们的因变量不同，多重线性回归直接将w‘x+b作为因变量，即y =w‘x+b，而logistic回归则通过函数L将w‘x+b对应一个隐状态p，p =L(w‘x+b),然后根据p 与1-p的大小决定因变量的值。如果L是logistic函数，就是logistic回归，如果L是多项式函数就是多项式回归。]]></description><category></category></item><item><title><![CDATA[机器学习—线性回归模型]]></title><link>https://blog.youkuaiyun.com/nivegiveup/article/details/126935238</link><guid>https://blog.youkuaiyun.com/nivegiveup/article/details/126935238</guid><author>nivegiveup</author><pubDate>Mon, 19 Sep 2022 15:47:57 +0800</pubDate><description><![CDATA[线性回归（Linear Regression）是利用称为线性回归方程的最小平方函数对一个或多个自变量和因变量之间关系进行建模的一种回归分析。这种函数是一个或多个称为回归系数的模型参数的线性组合。只有一个自变量的情况称为简单回归，大于一个自变量情况的叫做多元回归。（这反过来又应当由多个相关的因变量预测的多元线性回归区别，而不是一个单一的标量变量。）
在线性回归中，数据使用线性预测函数来建模，并且未知的模型参数也是通过数据来估计。这些模型被叫做线性模型。]]></description><category></category></item><item><title><![CDATA[机器学习—模型评估]]></title><link>https://blog.youkuaiyun.com/nivegiveup/article/details/126934777</link><guid>https://blog.youkuaiyun.com/nivegiveup/article/details/126934777</guid><author>nivegiveup</author><pubDate>Mon, 19 Sep 2022 15:37:13 +0800</pubDate><description><![CDATA[模型评估用于评测一个模型的好坏，通常将训练集上的误差称为训练误差或经验误差，在新数据上应用的误差称为泛化误差。机器学习的目的是获得泛化误差最小的模型，所以要讲数据集拆分成三块：训练集、测试集、验证集。在训练过程中使用验证数据集来评估模型并据此更新超参数，训练结束后使用测试数据集评估训练好的最终模型的性能。]]></description><category></category></item><item><title><![CDATA[初识Hadoop架构]]></title><link>https://blog.youkuaiyun.com/nivegiveup/article/details/123468638</link><guid>https://blog.youkuaiyun.com/nivegiveup/article/details/123468638</guid><author>nivegiveup</author><pubDate>Sun, 13 Mar 2022 23:10:57 +0800</pubDate><description><![CDATA[初识hadoop

Google的“三驾马车“

GFS
MapReduce
BigTable


HDFS


HDFS是什么？


HDFS是基于流数据访问模式的分布式文件系统，支持海量数据的存储，允许用户将成百上千的计算机，组成存储集群。
优点：可以处理超大文件、支持流式数据访问(一次写入，多次读取)、低成本运行。
缺点：不适合处理低延迟的数据访问，主要处理高数据吞吐量的应用；不适合处理大量的小文件，这样会浪费NameNode内存；不适合多用户写入及任意修改文件。




HDFS的组成架构


Na]]></description><category></category></item><item><title><![CDATA[使用Ubuntu遇到的一些问题]]></title><link>https://blog.youkuaiyun.com/nivegiveup/article/details/123386640</link><guid>https://blog.youkuaiyun.com/nivegiveup/article/details/123386640</guid><author>nivegiveup</author><pubDate>Wed, 09 Mar 2022 20:37:05 +0800</pubDate><description><![CDATA[Ubuntu
创建用户无密码，如何切换？

当使用 adduser 创建了新用户，用 su username 切换不了

是因为新用户未设置密码，转为root用户后，才可以切换

先sudo -i转为root用户，再 su username，这样就切换成功了


...]]></description><category></category></item><item><title><![CDATA[HTTP详解]]></title><link>https://blog.youkuaiyun.com/nivegiveup/article/details/122483022</link><guid>https://blog.youkuaiyun.com/nivegiveup/article/details/122483022</guid><author>nivegiveup</author><pubDate>Thu, 13 Jan 2022 21:34:00 +0800</pubDate><description><![CDATA[HTTP
概念

HTTP是一个用于在两点之间传输文字、图片、音频、视频等超文本数据等约定和规范


五大类HTTP状态码

1xx：提示信息，表示目前是协议处理的中间状态，还需后续操作
2xx：成功，报文已经收到并被正确处理

200 OK：表示一切正常。若为非HEAD请求，服务器返回的响应头会有body数据。
204 No Content：同200，但响应头没有body数据。
206 Partial Content：表示响应返回的body数据是其中的一部分，也是服务器处理成功的状态。


3xx：重定向]]></description><category></category></item><item><title><![CDATA[中学教资重点笔记（教育知识与能力）思维导图]]></title><link>https://blog.youkuaiyun.com/nivegiveup/article/details/121070280</link><guid>https://blog.youkuaiyun.com/nivegiveup/article/details/121070280</guid><author>nivegiveup</author><pubDate>Sun, 31 Oct 2021 21:44:52 +0800</pubDate><description><![CDATA[思维导图教育知识与能力教育基础知识中学课程中学教学中学生学习心理中学生发展心理中学生心理辅导中学德育中学生班级管理与教师心理

自己做的，集中了一些考频较高和难理解的内容。

教育知识与能力




教育基础知识
中学课程
中学教学
中学生学习心理
中学生发展心理
中学生心理辅导
中学德育
中学生班级管理与教师心理

...]]></description><category></category></item><item><title><![CDATA[java.lang.NullPointerException异常处理]]></title><link>https://blog.youkuaiyun.com/nivegiveup/article/details/119220583</link><guid>https://blog.youkuaiyun.com/nivegiveup/article/details/119220583</guid><author>nivegiveup</author><pubDate>Thu, 29 Jul 2021 20:57:36 +0800</pubDate><description><![CDATA[异常：

java.lang.NullPointerException
	at java.util.Properties$LineReader.readLine(Properties.java:434)
	at java.util.Properties.load0(Properties.java:353)
	at java.util.Properties.load(Properties.java:341)
	at cn.itcast.util.JDBCUtils.&lt;clinit&gt;(JDBCUt.]]></description><category></category></item><item><title><![CDATA[让Idea高效的小知识]]></title><link>https://blog.youkuaiyun.com/nivegiveup/article/details/119059693</link><guid>https://blog.youkuaiyun.com/nivegiveup/article/details/119059693</guid><author>nivegiveup</author><pubDate>Sat, 24 Jul 2021 16:11:27 +0800</pubDate><description><![CDATA[Idea小知识插件设置
搬自公众号：一行JAVA
插件

安装方式：在settings–&gt;Plugins中搜索安装即可，安装后重启idea



Codota 代码智能提示插件

输入后提示出大量你的偏好代码语句



Key Promoter X 快捷键提示插件

右下角可弹出快捷键提示，让我们快速熟悉



CodeGlance 显示代码缩略图插件


设置


双斜杠注释改成紧跟代码头

当我们用 ctrl+/ 注释一行时，双斜杠会跟在代码头部
将图中蓝色标记的复选框取消即可




显示行号和]]></description><category></category></item><item><title><![CDATA[大数据预处理kettle课堂笔记]]></title><link>https://blog.youkuaiyun.com/nivegiveup/article/details/117947057</link><guid>https://blog.youkuaiyun.com/nivegiveup/article/details/117947057</guid><author>nivegiveup</author><pubDate>Wed, 16 Jun 2021 09:22:45 +0800</pubDate><description><![CDATA[大数据预处理kettle课堂笔记第一章	数据预处理概述第二章 Kettle工具的基本使用第三章 基于kettle的书导入与导出第四章 数据清理第五章 Kettle的作业设计第六章 构建数据仓库第七章 基于Pythond的数据导入与导出第八章 基于Python的数据整理
第一章	数据预处理概述
1. 数据背景--影响数据质量的因素
	* 准确性，完整性，一致性	 从采集角度看
	* 相关性，时效性			从应用角度看
	* 可信性，可解释性		   从用户角度看
2. 数据处理的目的
	* 重要性
		* 数据]]></description><category></category></item><item><title><![CDATA[力扣刷题指南]]></title><link>https://blog.youkuaiyun.com/nivegiveup/article/details/117675328</link><guid>https://blog.youkuaiyun.com/nivegiveup/article/details/117675328</guid><author>nivegiveup</author><pubDate>Mon, 07 Jun 2021 21:49:27 +0800</pubDate><description><![CDATA[LeetCode
数组
209.长度最小的子数组

给定一个含有个正整数的数组和一个正整数 target 。
找出该数组中满足其和 ≥ target 的长度最小的连续子数组[numsl, numsl+1, …, numsr-1, numsr],并返回其长度。如果不存在符合条件的子数组，返回 0 。
暴力算法

//暴力解法
//时间复杂度：O(n^2)
//空间复杂度：O(1)
public int minSubArrayLen(int target, int[] nums) {
    int resul]]></description><category></category></item><item><title><![CDATA[Java基础笔记代码]]></title><link>https://blog.youkuaiyun.com/nivegiveup/article/details/115350328</link><guid>https://blog.youkuaiyun.com/nivegiveup/article/details/115350328</guid><author>nivegiveup</author><pubDate>Wed, 31 Mar 2021 14:48:16 +0800</pubDate><description><![CDATA[笔记代码下载
这么多年过去了，还是老毕讲课有意思，纯手打，自用
链接: https://github.com/xizaokaiz/myJavaStudy.

]]></description><category></category></item></channel></rss>