- 博客(17)
- 收藏
- 关注
RSS订阅原创 嵌入式处理器
嵌入式处理器1. 微处理器分类根据通用计算机和嵌入式系统的分类，把微处理器分为：通用处理器 + 嵌入式处理器【1】通用处理器：以x86体系架构的产品为代表目前基本为Intel和AMD两家公司所垄断【2】嵌入式处理器：嵌入式系统领域有少量通用处理器，但以嵌入式处理器为主嵌入式系统种类繁多，流行的体系架构有30多个嵌入式系统中的处理器可以分为以下四类：#mermaid-svg-BYQlB3WK4mvcz7Qi .label{font-family:'trebuchet
2021-03-03 22:26:52
4895
3
原创 支持向量机
支持向量机作者：little−xulittle-xulittle−xu时间：2021/1/202021/1/202021/1/20间隔与支持向量最大间隔超平面我们有样本训练集{(x1,y1),(x2,y2),⋯ ,(xi,yi)},yi∈{−1,+1}\{(x_1,y_1),(x_2,y_2),\cdots,(x_i,y_i)\},y_i \in \{-1,+1\}{(x1,y1),(x2,y2),⋯,(xi,yi)},yi∈{−1,+1}，不妨我们用正例描述+1+1+1，负例来
2021-01-22 17:09:28
289
原创 支持向量机
支持向量机作者：little−xulittle-xulittle−xu时间：2021/1/202021/1/202021/1/20间隔与支持向量最大间隔超平面我们有样本训练集{(x1,y1),(x2,y2),⋯ ,(xi,yi)},yi∈{−1,+1}\{(x_1,y_1),(x_2,y_2),\cdots,(x_i,y_i)\},y_i \in \{-1,+1\}{(x1,y1),(x2,y2),⋯,(xi,yi)},yi∈{−1,+1}，不妨我们用正例描述+1+1+1，负例来
2021-01-20 13:07:46
220
1
原创 决策树
决策树作者：little−xulittle-xulittle−xu时间：2021/1/182021/1/182021/1/18基本流程Conception一般情况，一棵决策树包含一根根节点，若干个内部节点和若干个叶节点；叶节点对应决策结果，其他每个节点对应属性测试。举例，当我们买西瓜，可以从多方面色泽，根蒂，敲声，纹理，脐部，触感等方面来逐次判断他是否是一个好西瓜。而此时这些属性就类比决策树中的节点。决策树学习的目的是产生一棵泛化能力强(处理未见示例能力强的决策树)，分而治之划分选择信息
2021-01-19 21:15:44
162
原创 线性模型
线性模型作者：little−xulittle-xulittle−xu时间：2021/1/142021/1/142021/1/14基本形式给定由d个属性描述的实例x=(x1;x2;⋯ ;xd)x=(x_1;x_2;\cdots;x_d)x=(x1;x2;⋯;xd),其中xix_ixi是xxx在第i个属性上的取值,线性模型试图学的一个预测函数，即f(x)=w1x1+w2x2+⋯+wdxd+b\begin{aligned} f(x)=w_1x_1+w_2x_2+\cdots+w_dx_d
2021-01-18 14:26:17
147
原创 决策树
决策树作者：little−xulittle-xulittle−xu时间：2021/1/182021/1/182021/1/18基本流程Conception一般情况，一棵决策树包含一根根节点，若干个内部节点和若干个叶节点；叶节点对应决策结果，其他每个节点对应属性测试。举例，当我们买西瓜，可以从多方面色泽，根蒂，敲声，纹理，脐部，触感等方面来逐次判断他是否是一个好西瓜。而此时这些属性就类比决策树中的节点。决策树学习的目的是产生一棵泛化能力强(处理未见示例能力强的决策树)，分而治之划分选择决策
2021-01-18 14:22:22
116
原创 线性模型
线性模型作者：little-xu时间：2021/1/14基本形式给定由d个属性描述的实例x=(x1;x2;⋯ ;xd)x=(x_1;x_2;\cdots;x_d)x=(x1;x2;⋯;xd),其中xix_ixi是xxx在第i个属性上的取值,线性模型试图学的一个预测函数，即f(x)=w1x1+w2x2+⋯+wdxd+b\begin{aligned} f(x)=w_1x_1+w_2x_2+\cdots+w_dx_d+b\end{aligned}f(x)=w1x1+w2x2+
2021-01-15 16:20:39
149
原创 2021-01-12
vlog-5直线与线段y=θx1+(1−θ)x2=x2+θ(x1−x2)y=\theta x_1+(1-\theta )x_2=x_2+\theta(x_1-x_2)y=θx1+(1−θ)x2=x2+θ(x1−x2)X1和X2可以看成向量，θ\thetaθ看作步长。从x1x_1x1出发如果θ∈[0,1]\theta\in[0,1]θ∈[0,1],则表示的是线段仿射集C∈Rn⟺充分必要x1,x2∈C,θ∈R(任意常数)，θx1+(1−θ)x2∈CC\in R^n\stackrel{
2021-01-12 11:20:43
226
原创 2021-01-11
矩阵LU分解存在矩阵A=[101aaabba]\begin{bmatrix}1&0&1\\a&a&a\\b&b&a\\\end{bmatrix}⎣⎡1ab0ab1aa⎦⎤L=[100i110i2i31]\begin{bmatrix}1&0&0\\i1&1&0\\i2&i3&1\\\end{bmatrix}⎣⎡1i1i201i3001⎦⎤为对角线为1的下三角矩阵U=[u11
2021-01-11 15:58:19
790
原创 vlog-4
vlog-4模型估计与选择经验误差与过拟合留出法数据集三七分，七分训练集，三分测试集交叉验证法K折交叉验证法——简单来说就是把数据集分为k分，然后进行排列组合挑选，比如5折，就是取其中一份作为测试集，剩下部分作为训练集。能取5次。将测试结果平均值返回自助法又返回的采集m次数据，每个数据被采集的概率是1/m，当m趋向无穷大，有些样本始终采集不到的概率就是 1/e。思考：既然有些部分数据集采取不到，那怎么将它们作为测试集呢？## 性能度量##### 下图一个是连续情
2021-01-10 21:38:55
319
1
原创 2021-01-08
Vlog -3运筹学本人康康到一个海赛矩阵，还有一个（0,0）鞍点（举例二元函数来说就是x轴取极小值，y轴取极大值）对偶问题有可行解，原问题右可行解，，就是最优解，，对偶定理我只能说数学家太强了数学无冕之王-希伯尔特矩阵分析与应用重温线性映射，get一个词-叠加原理，，当然顾名思义啦。。内积空间，赋范空间，Hilbert空间没咋看懂，，，结交一位大师，希伯尔特然后今天进展不大 &nb
2021-01-08 19:58:35
120
原创 2021-01-07
Vlog -1高等代数了解了一下线性空间同构，然后他的基本运算，，大概就是两个独立的子空间的基相加就是他们母空间的基。。我表达不够严谨，，在我印象中就是这样运筹学修正单纯形法，其实就是单纯形法的矩阵运算...
2021-01-07 20:25:18
131
1
原创 2021-01-06
Vlog -1运筹学线性目标规划基本完成，网上找了一下代码，用的lingo完成的，太难，导致放弃，get到一个linprog函数应用随机过程概率模型导论马尔科夫链没啥进展，，太难了，大概知道他想表达什么意思，。一看还行，，一做就废，，教材还行，，看的懂，python算法矩阵分析（华章丛书）这本书基本上就废了，，，看不懂，，讲一个简单的特征值，，被他从一个纯量什么开始入门了，，，基本上太累赘，，且巨深奥最优化理论和算法琐碎小知识优快云写博客小技巧<(br)>删掉
2021-01-06 13:08:57
218
2
原创 MATLAB进阶画图
MATLAB进阶画图Logarithm Plotsx = logspace(-1,1,100); % 10的-1~1生成100个等差数列次方，y = x.^2; subplot(2,2,1);plot(x,y); % 二次函数title('Plot');subplot(2,2,2);semilogx(x,y); % plot(log10(x),y)title('Semilogx');subplot(2,2,3);semilogy(x,y); % plot
2020-12-11 14:12:22
696
原创 第五次打卡
DIN模型简介， DIN的全称是Deep Interest Network， 这是阿里2018年基于前面的深度学习模型无法表达用户多样化的兴趣而提出的一个模型， 它可以通过考虑【给定的候选广告】和【用户的历史行为】的相关性，来计算用户兴趣的表示向量。具体来说就是通过引入局部激活单元，通过软搜索历史行为的相关部分来关注相关的用户兴趣，并采用加权和来获得有关候选广告的用户兴趣的表示。与候选广告相关性较高的行为会获得较高的激活权重，并支配着用户兴趣。该表示向量在不同广告上有所不同，大大提高了模型的表达能力。所以
2020-12-06 22:10:44
110
原创 matlab初阶绘图
matlab初阶绘图 plot(cos(0:pi/20:2*pi))matlab将会清除之前的图像保留最新的图plot(cos(0:pi/20:2*pi));plot(sin(0:pi/20:2*pi));what can we do to solve this problem?hold onplot(cos(0:pi/20:2*pi));plot(sin(0:pi/20:2*pi));hold off曲线性质plot(x,y,“str”)hold onplot(cos
2020-12-06 17:48:54
367
原创 python如何安装faiss
python如何安装faiss声明faiss暂时不支持winsows，支持mac，linux本人在参加Datawhale组织的11月组队学习《推荐系统入门实践：新闻推荐预测》时，在多路召回任务时，需要导入一个叫faiss库，于是百度查询了各种方法，踩过各种坑。最后踩坑踩到哭，可以自己做一个U盘启动盘或者安装虚拟机虚拟机安装超链接faiss介绍Faiss是Facebook AI团队开源的针对聚类和相似性搜索库，为稠密向量提供高效相似度搜索和聚类，支持十亿级别向量的搜索，是目前最为成熟的近似近邻搜索库
2020-11-30 20:49:42
6790
空空如也
空空如也
TA创建的收藏夹 TA关注的收藏夹
TA关注的人