<?xml version="1.0" encoding="utf-8" ?><rss version="2.0"><channel><title><![CDATA[SalvatioN]]></title><description><![CDATA[编程一路碎碎念]]></description><link>https://blog.youkuaiyun.com/qq_39925317</link><language>zh-cn</language><generator>https://blog.youkuaiyun.com/</generator><copyright><![CDATA[Copyright &copy; qq_39925317]]></copyright><item><title><![CDATA[【Python数据分析之pandas06】层次化索引]]></title><link>https://blog.youkuaiyun.com/qq_39925317/article/details/79612921</link><guid>https://blog.youkuaiyun.com/qq_39925317/article/details/79612921</guid><author>qq_39925317</author><pubDate>Mon, 19 Mar 2018 17:20:48 +0800</pubDate><description><![CDATA[层次化索引    Pandas层次化索引将对象的索引分层，以便调用。s1 = pd.Series(range(1,11),index=[['a','a','a','b','b','b','c','c','d','d'],[1,2,3,1,2,3,1,2,2,3]])
s1

'''
a  1     1
   2     2
   3     3
b  1     4
   2     5
   ...]]></description><category></category></item><item><title><![CDATA[【Python数据分析之pandas05】处理缺失化数据]]></title><link>https://blog.youkuaiyun.com/qq_39925317/article/details/79599652</link><guid>https://blog.youkuaiyun.com/qq_39925317/article/details/79599652</guid><author>qq_39925317</author><pubDate>Sun, 18 Mar 2018 13:38:34 +0800</pubDate><description><![CDATA[    首先，Python用.isnull的方法判断对象元素是否为NaN(缺失值)。s1 = pd.Series(['one','two',np.nan,'three'])
s1.isnull()
'''
0    False
1    False
2     True
3    False
dtype: bool
'''    之前提到了一种填充缺失值的方法是重新索引时修改其method属性，这...]]></description><category></category></item><item><title><![CDATA[【Python数据分析之pandas04】数学方法]]></title><link>https://blog.youkuaiyun.com/qq_39925317/article/details/79591700</link><guid>https://blog.youkuaiyun.com/qq_39925317/article/details/79591700</guid><author>qq_39925317</author><pubDate>Sat, 17 Mar 2018 14:55:17 +0800</pubDate><description><![CDATA[统计与汇总    pandas对象的统计基本与numpy的数学方法差不多，不过pandas数组都是基于没有缺失数据的情况下构建的，即当对象中存在NAN值的时候，NaN值将会被自动排除，除非整个切片或对象都是NaN。    pandas对象的sum方法：data = pd.DataFrame([[1.4,np.nan],[7.1,-4.5],[np.nan,np.nan],[0.75,-1.3]])...]]></description><category></category></item><item><title><![CDATA[重归算法]]></title><link>https://blog.youkuaiyun.com/qq_39925317/article/details/79589485</link><guid>https://blog.youkuaiyun.com/qq_39925317/article/details/79589485</guid><author>qq_39925317</author><pubDate>Sat, 17 Mar 2018 11:05:19 +0800</pubDate><description><![CDATA[    既然决定在这条路上走过去，就不得不面对这座大山。今后尽量保证每天都做题，遇到不同类型的题目就放上来，也为自己今后考研面试或者工作面试提供些许帮助。    第一天，上手一个简单的。    给定一个序列，求其最长连续子序列的和。#include &amp;lt;stdio.h&amp;gt;
#include &amp;lt;string.h&amp;gt;
#include&amp;lt;iostream&amp;gt;
using na...]]></description><category></category></item><item><title><![CDATA[【Python数据分析之pandas03】数据结构的基本功能--2]]></title><link>https://blog.youkuaiyun.com/qq_39925317/article/details/79578013</link><guid>https://blog.youkuaiyun.com/qq_39925317/article/details/79578013</guid><author>qq_39925317</author><pubDate>Fri, 16 Mar 2018 18:04:50 +0800</pubDate><description><![CDATA[算数运算和数据对齐    pandas一个强大的功能是，它可以对不同索引的对象进行算数运算。s1 = pd.Series([1,2,3,4],index=['a','b','c','d'])
s1
'''
a    1
b    2
c    3
d    4
dtype: int64

'''

s2 = pd.Series([4,78,32,89,61],index=['a','b','e',...]]></description><category></category></item><item><title><![CDATA[【Python数据分析之pandas02】数据结构的基本功能--1]]></title><link>https://blog.youkuaiyun.com/qq_39925317/article/details/79568540</link><guid>https://blog.youkuaiyun.com/qq_39925317/article/details/79568540</guid><author>qq_39925317</author><pubDate>Thu, 15 Mar 2018 19:30:46 +0800</pubDate><description><![CDATA[重新索引    Series和DataFrame在创建时可以对其index属性进行修改(DataFrame中index修改行属性)。创建后需要对index修改需要用到reindex方法。s1 = pd.Series([1,2,3],index=['c','a','b'])
s1.reindex(['a','b','c'])

'''
结果：
a    2
b    3
c    1
dtype: ...]]></description><category></category></item><item><title><![CDATA[【Python数据分析之pandas01】两个常用的数据结构]]></title><link>https://blog.youkuaiyun.com/qq_39925317/article/details/79562860</link><guid>https://blog.youkuaiyun.com/qq_39925317/article/details/79562860</guid><author>qq_39925317</author><pubDate>Thu, 15 Mar 2018 08:48:53 +0800</pubDate><description><![CDATA[Series    - series可以看做是一个定长的有序字典，与一维数组形式相同，区别是series的索引可以是任意数据类型。    - series本身拥有一个name属性，它的index也有自己的name属性（这条性质为下文中series传入DataFrame提供基础）。    - 传入：可以传入一维数组或字典。传入时，可以修改其索引。#导入数组
a = np.array([1,2,3,4...]]></description><category></category></item><item><title><![CDATA[【Python数据分析之Numpy03】线性代数]]></title><link>https://blog.youkuaiyun.com/qq_39925317/article/details/79530924</link><guid>https://blog.youkuaiyun.com/qq_39925317/article/details/79530924</guid><author>qq_39925317</author><pubDate>Mon, 12 Mar 2018 19:02:10 +0800</pubDate><description><![CDATA[线性代数相关函数    一下所列的函数都包含在numpy.linalg函数里    diag:返回对角线元素或将一维数组转化为方阵。np.diag([1,2,3,4,5])
'''
array([[1, 0, 0, 0, 0],
       [0, 2, 0, 0, 0],
       [0, 0, 3, 0, 0],
       [0, 0, 0, 4, 0],
       [0, 0,...]]></description><category></category></item><item><title><![CDATA[【Python数据分析之Numpy02】利用数据进行数据处理]]></title><link>https://blog.youkuaiyun.com/qq_39925317/article/details/79516049</link><guid>https://blog.youkuaiyun.com/qq_39925317/article/details/79516049</guid><author>qq_39925317</author><pubDate>Sun, 11 Mar 2018 18:12:08 +0800</pubDate><description><![CDATA[矢量化计算    概念是：用数组表达式代替循环。    例：计算点(x,y)到原点的长度。首先介绍一个函数，np.meshgrid(*x,*y)。这个函数接收两个数组*x,*y，对于这两个数组上的所有元素，进行一一对应，生成两个矩阵，两个矩阵相同位置上的元素就是点的x和y坐标。points = np.arange(-5,5,0.01,dtype=np.float64)
xs,ys = np.mes...]]></description><category></category></item><item><title><![CDATA[计算机专业要不要考研]]></title><link>https://blog.youkuaiyun.com/qq_39925317/article/details/79517540</link><guid>https://blog.youkuaiyun.com/qq_39925317/article/details/79517540</guid><author>qq_39925317</author><pubDate>Sun, 11 Mar 2018 16:37:50 +0800</pubDate><description><![CDATA[   这个问题困扰了我很久很久，所幸看到这篇文章。不能说茅塞顿开，但总算不至于在黑暗中苦苦摸索。特此转载，与和我有相同困扰的大学生们分享。   你说：“他们都有很强的开发能力,只是不太喜欢读书,也只是希望混个学历对今后在岗位上晋升有好处”，我可以向你保证，你所说的人绝对不是开发能力很强的人。因为，1）高手不可能不喜欢读书；2）高手不可能想去混一个学历；3）高手不可能认为晋升是因为学历的原因。   ...]]></description><category></category></item><item><title><![CDATA[【Python数据分析工具之Numpy01】数组创建ndarray]]></title><link>https://blog.youkuaiyun.com/qq_39925317/article/details/79501493</link><guid>https://blog.youkuaiyun.com/qq_39925317/article/details/79501493</guid><author>qq_39925317</author><pubDate>Fri, 09 Mar 2018 21:09:34 +0800</pubDate><description><![CDATA[创建数组    np.array(*list):以list创建一个数组list1 = [1,2,3,4,5]
arr1 = np.array(list1)
print(arr1)
//输出结果：[1 2 3 4 5]
    np.empty(*shape):创建一个没有任何具体值的数组（但是数组里的值并不是0，而是一些未初始化的垃圾值）arr1 = np.empty((3,3))
arr1
''...]]></description><category></category></item><item><title><![CDATA[【机器学习数学基础之概率论与统计05】多元随机向量及其分布]]></title><link>https://blog.youkuaiyun.com/qq_39925317/article/details/79480381</link><guid>https://blog.youkuaiyun.com/qq_39925317/article/details/79480381</guid><author>qq_39925317</author><pubDate>Thu, 08 Mar 2018 11:02:19 +0800</pubDate><description><![CDATA[几种常见的分布    联合分布     联合分布很难描述清楚，智能给出概念。但是在相互独立的随机变量中，它们联合分布是它们各自分布的乘积。    对于连续型随机变量，加上积分就可以了。    边缘分布    在二维情况下的直观解释：    条件分布    二维情况下的条件分布：        实际上，贝叶斯公式可以由条件概率和全概率公式得出。    由二维推广到多维的条件概率的链规则：    贝叶...]]></description><category></category></item><item><title><![CDATA[【机器学习数学基础之概率论与统计04】非参数估计]]></title><link>https://blog.youkuaiyun.com/qq_39925317/article/details/79475416</link><guid>https://blog.youkuaiyun.com/qq_39925317/article/details/79475416</guid><author>qq_39925317</author><pubDate>Wed, 07 Mar 2018 20:52:52 +0800</pubDate><description><![CDATA[    非参数估计指不知道分布类型，对样本进行模型估计。一般只用在一维和二维。直方图估计    具体概念详见课件：                                                                                                                      直方图与初高中所理解的直方图没什么不同，直方图估计...]]></description><category></category></item><item><title><![CDATA[【机器学习数学基础之概率论与统计03】抽样分布]]></title><link>https://blog.youkuaiyun.com/qq_39925317/article/details/79471543</link><guid>https://blog.youkuaiyun.com/qq_39925317/article/details/79471543</guid><author>qq_39925317</author><pubDate>Wed, 07 Mar 2018 16:10:17 +0800</pubDate><description><![CDATA[两个概念    独立同分布样本：当X1,X2,...,Xn相互独立且具有相同的分布函数F的时候，称X1,X2,...,Xn为独立同分布样本，记为X1,X2,...,Xn ~ F.    抽样分布：X1,X2,...,Xn为独立同分布样本(IID)，其均值和方差为μ和σ²。那么对于这些样本有样本均值 ，即求平均值。因为每个Xi都是随机变量，所以样本均值也是随机变量，对样本均值进行分布描述，那么该分布...]]></description><category></category></item><item><title><![CDATA[【机器学习--线性回归01】线性回归模型]]></title><link>https://blog.youkuaiyun.com/qq_39925317/article/details/79463495</link><guid>https://blog.youkuaiyun.com/qq_39925317/article/details/79463495</guid><author>qq_39925317</author><pubDate>Tue, 06 Mar 2018 23:01:09 +0800</pubDate><description><![CDATA[    等了很久，终于进入机器学习环节了。开始前只想说一句话：数学一定一定要学好！！！没有学完概率的我今天开头真的是看的昏昏欲睡，就算是现在也只能大概理解其原理，等抓紧时间学完概率，再来好好咀嚼一下这部分内容。最后给自己一碗鸡汤：从菜鸟走向大神，这是道路。目标函数    对于线性回归模型，它的目标函数一般包括两部分：损失函数和正则项。                             在回归...]]></description><category></category></item><item><title><![CDATA[【机器学习数学基础之概率论02】随机变量的分布函数及单值]]></title><link>https://blog.youkuaiyun.com/qq_39925317/article/details/79453225</link><guid>https://blog.youkuaiyun.com/qq_39925317/article/details/79453225</guid><author>qq_39925317</author><pubDate>Tue, 06 Mar 2018 08:38:20 +0800</pubDate><description><![CDATA[连续性随机变量的分布函数    分布函数（CDF）：F(x)=P(X≤x)    概率密度（pdf）：p(a&amp;lt;x≤b)=∫(a,b)p(x)dx    两者关系：p(x)=F'(x)        *连续性随机变量在某一点的概率均为0        *对于连续性随机变量的概率密度，可以简单理解为概率离散型随机变量的分布函数     分布函数（CDF）：F(x)=P(X≤x)     概率质量...]]></description><category></category></item><item><title><![CDATA[【机器学习数学基础之概率论01】贝叶斯公式]]></title><link>https://blog.youkuaiyun.com/qq_39925317/article/details/79448698</link><guid>https://blog.youkuaiyun.com/qq_39925317/article/details/79448698</guid><author>qq_39925317</author><pubDate>Mon, 05 Mar 2018 21:22:43 +0800</pubDate><description><![CDATA[概率的三个公理    1.事件A的概率是一个非负实数：P(A)≥0。    2.合法命题（必然事件）的概率为1。    3.对两两不相交（互斥）事件，有。条件概率    联合概率：P(A,B)=P(A|B)*P(B)    条件概率：P(A|B)=P(A,B)/P(B)        *给定任意B，若P(B)&amp;gt;0，则P(·|B)也是一个概率，即满足概率的三个概率公理：           1...]]></description><category></category></item><item><title><![CDATA[【机器学习数学基础之矩阵03】线性回归]]></title><link>https://blog.youkuaiyun.com/qq_39925317/article/details/79441648</link><guid>https://blog.youkuaiyun.com/qq_39925317/article/details/79441648</guid><author>qq_39925317</author><pubDate>Mon, 05 Mar 2018 08:53:44 +0800</pubDate><description><![CDATA[线性回归（最小二乘法）    一维模型：对于直角坐标系中一系列样本点（x,y），找到合适的a,b，使得f(x)=ax+b成立，并且f(x)～=y。实际上，线性回归的过程就是寻找a,b的过程，而判定最优解的方法就是寻找误差最小值，即：  。arg min是机器学习术语，表示让arg成立的min的值。    根据矩阵求导相关知识求出一维模型的解： 。    多维模型：对于一系列样本点（x，y）, 找到...]]></description><category></category></item><item><title><![CDATA[【机器学习数学基础之矩阵02】矩阵求导]]></title><link>https://blog.youkuaiyun.com/qq_39925317/article/details/79439911</link><guid>https://blog.youkuaiyun.com/qq_39925317/article/details/79439911</guid><author>qq_39925317</author><pubDate>Sun, 04 Mar 2018 22:29:29 +0800</pubDate><description><![CDATA[多元函数导数    对于n维函数 ，y本身没有导数，但其对于每一个分量都有偏导，于是有如下定义：        梯度向量：，其性质类似与一元函数的一阶导。        Hessian矩阵：            *值得注意的是，因为偏导顺序不影响结果，所以Hessian矩阵是一个实对称矩阵。最速下降法    最初看这个内容的时候迷迷糊糊的，但实际上很简单的一个东西。最速下降法在一元函数中是指沿着...]]></description><category></category></item><item><title><![CDATA[【机器学习数学基础--矩阵01】线性空间]]></title><link>https://blog.youkuaiyun.com/qq_39925317/article/details/79387715</link><guid>https://blog.youkuaiyun.com/qq_39925317/article/details/79387715</guid><author>qq_39925317</author><pubDate>Tue, 27 Feb 2018 15:42:56 +0800</pubDate><description><![CDATA[范数    定义：是一个描述线性空间的度量，可以理解为二维空间的长度。    如||x1-x2||表示向量x1,x2之间的距离。    *Frobenius范数：机器学习常用范数。     即：矩阵所有元素先取平方和，再开平方。特征分解    特征值：满足公式：  ，其中 λ 为特征值，x为A的对应于λ的特征向量。    特征分解：公式： ，其中，P是A所有特征向量展开组成的矩阵。        ...]]></description><category></category></item></channel></rss>