Zcc的博客

用 numpy 手写朴素贝叶斯，完成手写数字的识别

感知机问题描述感知机是二类分类的线性分类模型，输入为分类对象的特诊向量，输出为 ±1\pm 1±1，用于判别分类对象的类型。这么说有些抽象，下面举一个例子。就像上面这幅图，实例对应上图就是每个点实例的特征向量就是指这些点的横纵坐标，我们把他记为 (x1,x2)T(x_1, x_2)^T(x1​,x2​)T。我们根据每个点的颜色，将点分别标记为111和−1-1−1，也就是我们的输出 yyy 。利用这些已知坐标的红蓝点，我们需要训练下面这个模型，这个模型一共有333个参数(θ0,θ1,θ

复现的算法为VQLS算法，用于处理线性方程组Ax=bAx=bAx=b的问题。这是一种变分量子算法，即用一个经典的优化器来训练一个含参的量子电路，整个算法的思路有些类似机器学习。代码参考了qiskit提供的VQLS示例10.17日晚重新看了一遍论文，才发现自己弄错了很多概念，例如：误以为分解AAA是为了作为量子态输入到电路，实际上他是作为门矩阵作用于含参xxx的流程分析我大致将该算法分为一下4个流程。搭建含参电路计算损失函数优化器进行梯度下降求解得标准化后的x图1 算法整体框架1.

文章链接这篇文章乍一看内容挺少的，看下来感觉可以扩充很多知识点，展开学习可能需要花费更长的时间。这篇文章介绍了 Clifford Data Regression(CDR) 方法，用于处理量子噪声，该文章将CDR运用在QAOA、phase estimation上，并与zero-noise extrapolation(ZNE)方法进行对比，最后发现在处理大规模量子电路的噪声问题上，CDR方法具有更好的效果。CDR实现过程用一个含大量Clifford gate的量子电路制备一系列量子态Sψ=∣ϕi⟩S

回归和聚类线性回归线性回归的目标值为连续性数据定义：利用回归方程（函数）对一个或多个自变量（特征值）和应变量（目标值）之间的关系进行建模的一种分析方式。线性模型：y=∑i=1wi∗xiy = \sum_{i=1}{w_i*x_i}y=∑i=1​wi​∗xi​线性回归的损失和优化原理线性回归的目标是求解模型参数，即wiw_iwi​。线性回归流程：随意假定wiw_iwi​。对比预测值和目标值，通过迭代更新wiw_iwi​的值来减小误差。为对比预测值和目标值的差距，定义损失函数/cost/

机器学习：KNN完成英文手语分类先来看一下标准的英文手语：本文KNN网络识别部分效果：(当然只挑选了几个字母)：完成的主要流程为：通过mediapipe处理kaggle上的一个图片数据集，获取21个标志点的位置关系建立KNN模型模型检测建立数据集图片数据集来源Kaggle上的一个数据集，数据集链接。下载完成后我们得到是一堆128*128的图像，不会DL的菜鸡只能借助mediapipe完成标志点信息的提取（mediapipe的相关分装在另一篇文章中有介绍，也可见文末）。处理流

分类算法整理自黑马机器学习教程sklearn 转换器与预估器转换器在特征工程处理的步骤中有用到转换器，一般使用流程为：实例化一个转换器调用fit_transform()实际上fit_transform()可分为两个步骤进行，这里以标准化为例：x,=x−E(x)σ\displaystyle x^, = \frac{x-E(x)}{\sigma}x,=σx−E(x)​fit：计算每一列的方差、均值transfer：根据fit得到的值，对该列的值进行转换估计器sklearn中，是一

scikit-learn数据集整理自黑马机器学习教程学习阶段可用数据集ucikagglescikit-learnsklenran数据集加载datasets.load_*()：获取小规模数据集datasets.fetch_*(data_home=None)：获取大规模数据集，需要从网络上下载，data_home为数据集下载目录。from sklearn import datasetsiris = datasets.load_iris()返回值均返回datasets.bas

Mediapipe 实现手势识别（石头剪刀布）封装函数（可跳过）手势判断完整代码相关连接环境：python3.8，pycharm2020硬件：罗技c505e基于前面一篇文章，我们已经能够实现手关键点的信息的提取，通过对这些信息的处理我们可以很轻松地进行手势识别。（完整代码见文末）先看一波效果图:封装函数（可跳过）为方便调用，先将之前关键点提取相关函数分装成类import cv2import mediapipe as mpimport timeimport mathclass ha

Mediapipe 实现手势追踪Mediapipe hands简单的手势追踪示例：部分api分析Hands的初始化配置手势信息的采集具体标志点提取相关连接环境：python3.8，pycharm2020硬件：罗技c505eMediapipe hands官网信息：https://google.github.io/mediapipe/solutions/hands.htmlMediapipe是谷歌开源的一个机器学习的库，里面有一些面部识别、手势识别的解决方案，且提供python、js等语言的封装。M