孙砚秋-优快云博客

1 ，方式一：继承 Thread1 ，建类：继承 Thread　　2 ，重写方法：run　　3 ，创建对象：t1　　4 ，调用方法：　　　　t1.start();package com.keen.thread.demo01;public class Test01 { // 主方法： public static void main(String[] args) { // 线程对象： Thread t1 = new

2024-09-16 14:45:44 442 1

原创 6，csdn 语法

1 ，语法：几级标题，就几个井号### 1.1，语法。

2024-09-15 23:45:05 253

原创 01，大数据总结，zookeeper

1 ，大数据领域：存储配置数据。

2024-09-15 23:15:27 742 1

原创 01，java多线程：基础知识

1 ，程序，进程，线程：１，程序：　　　　用某种语言，编写的一段代码　　2 ，进程：　　　　1 ，是什么：正在运行的一个程序　　　　2 ，资源单位：进程是一个资源分配单位，系统会给运行的进程分配内存区域　　3 ，线程：　　　　1 ，是什么：调度和执行的最小单位。　　　　2 ，独立：每个线程，拥有独立的运行栈和程序计数器。　　　　3 ，并行：同一个程序内部，可以同时执行多条线程。2 ，cpu ：单核，多核1 ，单核：　　　　一个 cpu　　

2022-05-08 10:30:53 499

原创 03，java ：api文档

1 ，文档下载：１，官网：　　　　https://www.oracle.com/java/technologies/javase-jdk8-doc-downloads.html　　２，孙老师提供：　　　　链接：https://pan.baidu.com/s/1HPpeqB4Lx4WQC55D7lGRoQ　　　提取码：12342 ，得到：１，下载得到：　　　　jdk-8u333-docs-all.zip　　2 ，解压：　　　　docs3 ，使用：

2022-05-06 13:12:23 481

原创 01，java 概述：

11，jdk，jre，jvm ：概念1 ，jdk ：java 开发工具包　　　　jdk = jre + 开发工具 ( javac.exe ，jar.exe )　　2 ，jre ：java 运行环境　　　　jre = jvk + 核心类库( javaSe 标准类库 )　　3 ，jvm ：　　　　java 虚拟机

2022-05-05 23:46:28 359

原创 5 ，csdn ：生成目录

@[TOC] (目录diy)1 ，如何生成目录：在文章的最前面加上这个：“@[TOC] (目录diy)”2 ，一级目录：1 ，二级目录2 ，二级目录3 ，二级目录3 ，一级目录：1 ，二级目录2 ，二级目录3 ，二级目录4 ，一级目录：1 ，二级目录2 ，二级目录3 ，二级目录...

2022-04-29 00:41:26 1604

原创 4 ，csdn ：文件移动

1 ，进入内容管理：2 ，自定义模块：

2022-04-28 18:43:57 280

原创 3 ，csdn ：文章编写

csdn操作

2022-04-28 16:46:29 334

原创 2 ，csdn ：专栏管理

csdn专栏管理

2022-04-28 16:27:07 337

原创 1 ，csdn ：基操

介绍csdn的使用

2022-04-28 15:54:44 183

原创 1，spark 与 scala 的对应版本查看

1 ，思路：去 maven 查看2 ，网址：https://mvnrepository.com/artifact/org.apache.spark/spark-core3 ，看到：4 ，总结：1 ，spark3.0 以后，不再支持 scala2.112 ，spark3.0 以后，只能用 scala2.125 ，题外话：1 ，我刚才去 spark 官网查找对应关系，找了半天找不到，真心无语。2 ，有些官网做的，真新挺不为便群众着想的。3 ，如果不是有 maven 在，我可能还

2021-04-09 17:30:40 19993 7

原创 01 ，zookeeper 介绍：

1 ，zookeeper 官网：https://zookeeper.apache.org/2 ，zookeeper 用处：官方分布式协调服务3 ，个人理解：1 ，zk 可以存储一些配置数据2 ，为什么要将这些数据存储在 zk 中：因为 zk 永远不会倒3 ，为什么 zk 永远不会倒：因为他酒量好 ( 开玩笑 ) ，因为它...

2020-10-13 20:56:57 293

原创 05 ，效果评估：估值函数

1 ，估值函数：残差平方和：真实值 - 预测值类似方差项：类似于方差的计算方式，但是没有除以 m估值函数：2 ，效果评估：好：越接近于 1 越好差：越接近于 0 越差

2020-07-14 14:32:36 1616 1

原创 04 ，线性回归：目标函数推导，对数求解，求导结果，θ 求出来了，真实情况

1 ，目的：求 θ不要忘了：一切的目的，都是求 θ似然函数：只要 θ 能使似然函数最大，这个 θ ，就是最优解，距离现实最近的解2 ，似然函数最大值：似然函数：思考：1 ，乘法不好算，想使用对数来算2 ，可行性：反正求最大值，只要对数取到了最大值，似然函数整体就也是最大值3 ，为什么用 log ：因为求导以后，就变成了加法，容易计算对数求解：3 ，累乘 =》累加：使用对数，对函数进行变换转化：目的：让这个函数去到最大值剔除无关项

2020-07-14 14:23:04 1038

原创 03 ，线性回归：似然函数求解，所有概率乘积，最佳数据

1 ，误差值，真实值：公式：2 ，正态分布函数：误差规律函数公式：这是个误差规律函数 ( exp 代表 e 的 n 次方 )参数含义：1 ，均值： 02 ，exp ： e 的 n 次方3 ，ε ：误差项4 ，σ ：标准差5 ，σ2 ：方差3 ，两式结合：将 1 带入 2 中，得到：带入过程：参数解释：1 ，真实值：此处的 x ，y 都代表真实值2 ，θ ：未知量3 ，目的：代入进来，就是为了求 θ4 ，公式 p 的含义

2020-07-14 13:26:20 1896

原创 02 ，线性回归：误差项分析，预测值与真实值的差异，误差值正态分布

1 ，误差项：预测值与真实值的差异ε ：代表误差项 ( 预测值与真实值的差异 )ε 读音：一浦西路对于每个样本：如图：红点是真实值，平面是预测值2 ，误差值正态分布：正泰分布：1 ，数据：把每一组数值的误差值拿出来，形成一个集合 ( ε1,ε2,ε3…εn )2 ，均值： 03 ，方差： θ2如图：有几个样本，就有几个误差 ε3 ，误差项分析：实际意义差距不大：计算值与真实值，可能有误差，但是不会很大正泰分布：这些误差值之

2020-07-14 13:03:02 14980 3

原创 01 ，线性回归，简介：定义，分类，简单举例，默认列向量，x0=1，线性回归函数

1 ，线性回归：定义给定一些数据： a,b,c,d,e…如果这些数据满足下面的方程，就称 ( 这些数据存在依赖关系 )如果想用回归分析，他们需要满足如下条件：1 ，e ：误差，服从均值为 0 的正态分布2 ，说明： e1,e2…en 是一个正泰分布数据2 ，回顾：矩阵的乘法计算规律：行列数行列数规则： (2,3) * (3,4) = (2,4)结果： 2 行 4 列计算规则：3 ，线性回归：理解给定数据：很多组，每一组数据，组成一行，所

2020-07-14 11:15:09 947

原创 11 ，逻回案例，招生：回归函数，新增默认 1 列，

1 ，sigmod 函数：基本能回归函数函数：2 ，插入新列：为了构造 θ0目的：构造回归函数f(x1,x2) = θ0 + θ1 * x1 + θ2 * x2插入一列：原函数变成这样x1，x2 =》 1，x1，x2如图：3 ，sigmoid 函数：代码：def sigmod(z): return 1/(1+np.exp(-z))如图：4 ，线性函数：构造线性方程代码：def xian(X:pd.DataFrame

2020-07-14 00:06:59 376

原创 10 ，逻回案例，高校招生：数据准备，解题思路

1 ，案例：目标小明想去美国留学，目的地是加州理工大学加州理工大学，对我们中国学生有两门考试，exam1，exam2我们有历史数据表，这是以往的学生成绩，和是否被录取的历史信息目的：1 ，根据历史数据，得到逻辑回归模型2 ，根据回归模型，判断小明被录取的可能性有多大2 ，案例：数据的样子数据：34.62365962451697,78.0246928153624,030.28671076822607,43.89499752400101,035.847408769938

2020-07-13 13:35:44 375

原创 09 ，逻辑回归：算法思路

1 ，sigmoid 函数：生长函数他的取值范围： 0-1适合做概率：事务的概率也恰好是 0-12 ，逻辑回归思路：首次代数：将真实值带入函数中，求 θ 值修正代数：然后再次带入真实值，不断的对函数进行修正n 次修正：经过一次次的修正，逻辑回归函数，几乎与真实值相吻合结果：得到概率密度函数3 ，例子：确定模板函数： sigmoid原因：因为他的范围是 0-1，符合概率的结果大小逻回函数，取值范围：x ： -∞ ~ + ∞y ： 0

2020-07-13 01:32:44 443

原创 08 ，逻辑回归：首选算法，决策边界，Sigmoid 函数

1 ，Sigmoid 函数：生长函数逻辑回归：不是最复杂的算法，但是，是最有效的算法目的：分类还是回归？经典的二分类算法！2 ，做任务的思路：首先：先用逻辑回归试一下优化：再用复杂逻辑试一下比较：1 ，如果效果差不多，就用逻辑回归2 ，如果效果差的比较多，就用复杂的算法3 ，决策边界：通常是线性的也可以是非线性的4 ，Sigmoid 函数：神经网络激活函数意义：生物的生长函数，计算机中，用来作为神经网络的激活函数取值范围：x ：负

2020-07-12 17:14:17 514

原创 07 ，梯度下降：总结，学习率，步长的大小控制

1 ，梯度下降：总结求梯度：偏导数向量和作用：确定梯度下降的方向步长：每次下降多少距离2 ，学习率：定义：就是上面说的步长，每次移动的距离大小：最好是小一点，不适合过大1 ，小：走得慢，效率低2 ，大：走得快，计算的结果不准学习原则：1 ，小学习率：步长小一点2 ，大学习次数：学习的次数多一点3 ，学习率的变动：大步找谷底：范围内大步靠近：极值范围内：小步移动4 ，学习率：常用取值常用值：从我做过

2020-07-12 11:03:58 4946

原创 06 ，梯度下降：操作，三种方法

1 ，目标函数：目的：通过梯度下降法，求 θ函数：2 ，批量梯度下降：全部样本特点：数据量大，因为他考虑到了所有样本优点：容易找到最优解缺点：计算速度慢公式：3 ，随机梯度下降：随机找一个样本优点：块缺点：不准公式：4 ，小批量梯度下降法：实用特点：每次更新选择一小部分数据来算，实用公式：...

2020-07-12 10:46:32 202

原创 05 ，梯度下降：原理

1 ，θ 不一定可求：并不是在任何情况下，θ 都能求出来的2 ，梯度：理论：坡度最陡的方向如图：3 ，梯度下降方向：梯度的反方向4 ，梯度下降求解：直接求解：那是线性回归的一种特例，不适用所有情况常规套路：交给机器一堆数据，然后告诉它什么样的学习方式是对的（目标函数），然后让它朝着这个方向去做优化：一小步一小步的走5 ，梯度下降目标：走到山谷的最低点找到当前最合适的方向走那么一小步，走快了该”跌倒 ”了按照方向与步伐去更新我们的参数

2020-07-12 10:33:11 154

原创 04 ，回归函数求解：似然函数求解，偏导数，凸优化思路，回归函数评估项

1 ，求最小二乘法的导数：数据含义：1 ，X ：矩阵 ( 多个维度的数值 )2 ，y ：向量 ( 结果 )对 θ 求偏导数：2 ，

2020-07-11 19:28:10 543

Typora-课件.zip

空空如也