stepondust 的课堂

这次深度学习实验课上，老师要求我们用 numpy 第三方库自己动手实现全连接神经网络，并在经典的 MNIST 数据集上训练和评估自己的模型，即通过全连接神经网络初步解决手写体数字识别问题。实验题目需要实现的网络结构有一个输入层、一个隐藏层和一个输出层，并且隐藏层的激活函数为 Relu 函数，输出层的激活函数为 softmax 函数，损失函数为交叉熵函数。

具体问题描述是这样的：一个房间里，天花板上挂有一串香蕉，有一只猴子可在房间里任意活动（到处走动，推移箱子，攀登箱子等），房间里还有一只可被猴子移动的箱子，且猴子登上箱子时才能摘到香蕉，问猴子在某一状态下（设猴子位置为A，箱子位置为B，香蕉位置在C），如何行动可摘取到香蕉。我们通过谓词逻辑表示方法解决该问题，接下来讲一讲我的思路。

实验题目是这样的的，要求使用 Aprior 算法在 Groceries 数据集上进行购物篮分析来找出商品之间有趣的相关关系，其中，Groceries 数据集是某个杂货店一个月真实的交易记录，共有 9835 条消费记录和 169 个商品，对于我这样的初学者来说，数据量有点吓人，不过还是尽量去做了，接下来讲一讲我的思路。1 数据集的下载与处理2 发现频繁 1 项集3 利用先验性质压缩搜索空间4 获得所有的频繁项集5 由频繁项集产生强关联规则6 使用提升度评判关联规则7 组合模块形成完整代码

实验题目是这样的的，要求使用 k-means 算法在一个无标签的开源数据集上进行聚类，并对聚类结果进行分析，数据集可以自己找，我就找了一个统计世界上所有国家的信息的数据集进行聚类，接下来讲一下我的思路。1 数据集的下载与处理2 处理离散的无序属性3 初始化聚类簇4 实现 k-means 聚类5 构建数据集的距离矩阵6 评估聚类质量7 组合模块形成完整代码8 数据与结果分析

数挖实验课的时候，老师让我们自己动手写决策树，还不能调用scikit-learn包，感觉有点难，想上网找找看能不能学一下，可是许多大佬都是调包做的，剩下的大佬们写的代码也无法短时间去理解，于是我只好照着书本以及参考网上大佬们的思想来自己动手写一写。实验题目要求使用ID3算法在鸢尾花Iris数据集上训练出一个基本的决策树模型，接下来我讲一讲我的思路：1 数据集的下载与处理2 随机划分数据集3 计算信息熵4 计算划分属性的信息增益5 递归生成决策树6 模型的预测与评估7 组合模块形成完整代码