<?xml version="1.0" encoding="utf-8" ?><rss version="2.0"><channel><title><![CDATA[sbjmf的博客]]></title><description><![CDATA[]]></description><link>https://blog.youkuaiyun.com/sbjmf</link><language>zh-cn</language><generator>https://blog.youkuaiyun.com/</generator><copyright><![CDATA[Copyright &copy; sbjmf]]></copyright><item><title><![CDATA[吃瓜第一天]]></title><link>https://blog.youkuaiyun.com/sbjmf/article/details/118713348</link><guid>https://blog.youkuaiyun.com/sbjmf/article/details/118713348</guid><author>sbjmf</author><pubDate>Tue, 13 Jul 2021 23:13:30 +0800</pubDate><description><![CDATA[第一章 绪论
Page2: 标记（label)
示例结果的信息，例如“好瓜”，称为标记
Page2: 假设(269)(hypothesis)
学得模型对应了数据的某种潜在的规律，因此亦称假设
Page2: 示例(instance)
数据集中的每条记录是关于某个事件或对象的描述，称为一个“示例”或“样本”
Page2: 属性(attribute)
反映事务或对象在某方面的表现或性质的事项，如“色泽”，称为属性或特征
Page2: 属性空间(attribute space)
属性长成的空间称为属性空间，样本空间]]></description><category></category></item><item><title><![CDATA[DeepCrossing]]></title><link>https://blog.youkuaiyun.com/sbjmf/article/details/114907482</link><guid>https://blog.youkuaiyun.com/sbjmf/article/details/114907482</guid><author>sbjmf</author><pubDate>Tue, 16 Mar 2021 23:41:32 +0800</pubDate><description><![CDATA[DeepCrossing
1. 动机
这个模型就是一个真正的把深度学习架构应用于推荐系统中的模型了， 2016年由微软提出， 完整的解决了特征工程、稀疏向量稠密化， 多层神经网络进行优化目标拟合等一系列深度学习再推荐系统的应用问题。 这个模型涉及到的技术比较基础，在传统神经网络的基础上加入了embedding，残差连接等思想，且结构比较简单，对初学者复现和学习都比较友好。
DeepCrossing模型应用场景是微软搜索引擎Bing中的搜索广告推荐， 用户在输入搜索词之后， 搜索引擎除了返回相关结果， 还返回]]></description><category></category></item><item><title><![CDATA[Numpy Task05 排序搜索计数及集合操作：实践大作业]]></title><link>https://blog.youkuaiyun.com/sbjmf/article/details/110457630</link><guid>https://blog.youkuaiyun.com/sbjmf/article/details/110457630</guid><author>sbjmf</author><pubDate>Tue, 01 Dec 2020 23:52:53 +0800</pubDate><description><![CDATA[排序搜索计数
如何通过第n列对一个数组进行排序

Z = np.random.randint(0,10,(3,3))

【知识点:排序】

(提示: argsort)

#【答案】
Z = np.random.randint(0,10,(3,3))
print (Z)
'''[[1 6 0]
    [7 0 3]
    [0 6 0]]'''
print (Z[Z[:,2].argsort()])
'''[[1 6 0]
 	[0 6 0]
 	[7 0 3]]'''

从arr中提取所有奇数。

ar]]></description><category></category></item><item><title><![CDATA[numpy task9 线性代数]]></title><link>https://blog.youkuaiyun.com/sbjmf/article/details/110356457</link><guid>https://blog.youkuaiyun.com/sbjmf/article/details/110356457</guid><author>sbjmf</author><pubDate>Sun, 29 Nov 2020 22:39:56 +0800</pubDate><description><![CDATA[线性代数
Numpy 定义了 matrix 类型，使用该 matrix 类型创建的是矩阵对象，它们的加减乘除运算缺省采用矩阵方式计算，因此用法和Matlab十分类似。但是由于 NumPy 中同时存在 ndarray 和 matrix 对象，因此用户很容易将两者弄混。这有违 Python 的“显式优于隐式”的原则，因此官方并不推荐在程序中使用 matrix。在这里，我们仍然用 ndarray 来介绍。
矩阵和向量积
矩阵的定义、矩阵的加法、矩阵的数乘、矩阵的转置与二维数组完全一致，不再进行说明，但矩阵的乘法有]]></description><category></category></item><item><title><![CDATA[Numpy学习 Task8: 统计相关]]></title><link>https://blog.youkuaiyun.com/sbjmf/article/details/110249055</link><guid>https://blog.youkuaiyun.com/sbjmf/article/details/110249055</guid><author>sbjmf</author><pubDate>Fri, 27 Nov 2020 22:36:39 +0800</pubDate><description><![CDATA[统计相关
次序统计
计算最小值

numpy.amin(a[, axis=None, out=None, keepdims=np._NoValue, initial=np._NoValue, where=np._NoValue])Return the minimum of an array or minimum along an axis.

【例】计算最小值
import numpy as np

x = np.array([[11, 12, 13, 14, 15],
              [16,]]></description><category></category></item><item><title><![CDATA[Numpy学习 Task7 随机抽样]]></title><link>https://blog.youkuaiyun.com/sbjmf/article/details/110145561</link><guid>https://blog.youkuaiyun.com/sbjmf/article/details/110145561</guid><author>sbjmf</author><pubDate>Wed, 25 Nov 2020 21:17:32 +0800</pubDate><description><![CDATA[学习目标：
掌握随机抽样中几种基础的概率分布
学习内容：
随机抽样
numpy.random 模块对 Python 内置的 random 进行了补充，增加了一些用于高效生成多种概率分布的样本值的函数，如正态分布、泊松分布等。

numpy.random.seed(seed=None) Seed the generator.

seed()用于指定随机数生成时所用算法开始的整数值，如果使用相同的seed()值，则每次生成的随机数都相同，如果不设置这个值，则系统根据时间来自己选择这个值，此时每次生成的随机数因时]]></description><category></category></item><item><title><![CDATA[Numpy学习下 Taks 1 输入和输出]]></title><link>https://blog.youkuaiyun.com/sbjmf/article/details/110008415</link><guid>https://blog.youkuaiyun.com/sbjmf/article/details/110008415</guid><author>sbjmf</author><pubDate>Mon, 23 Nov 2020 22:02:22 +0800</pubDate><description><![CDATA[学习目标：
掌握numpy基础的输入和输出

学习内容：
输入和输出
numpy 二进制文件
save()、savez()和load()函数以 numpy 专用的二进制类型（npy、npz）保存和读取数据，这三个函数会自动处理ndim、dtype、shape等信息，使用它们读写数组非常方便，但是save()输出的文件很难与其它语言编写的程序兼容。
npy格式：以二进制的方式存储文件，在二进制文件第一行以文本形式保存了数据的元信息（ndim，dtype，shape等），可以用二进制工具查看内容。
npz格式：]]></description><category></category></item><item><title><![CDATA[task5 排序搜索计数及集合操作]]></title><link>https://blog.youkuaiyun.com/sbjmf/article/details/109408550</link><guid>https://blog.youkuaiyun.com/sbjmf/article/details/109408550</guid><author>sbjmf</author><pubDate>Sat, 31 Oct 2020 21:51:20 +0800</pubDate><description><![CDATA[学习目标：
task5 排序搜索计数及集合操作

学习产出：
排序，搜索和计数
排序
numpy.sort()

numpy.sort(a[, axis=-1, kind='quicksort', order=None]) Return a sorted copy of an array.

axis：排序沿数组的（轴）方向，0表示按行，1表示按列，None表示展开来排序，默认为-1，表示沿最后的轴排序。
kind：排序的算法，提供了快排’quicksort’、混排’mergesort’、堆排’heapso]]></description><category></category></item><item><title><![CDATA[Task04：数学函数及逻辑函数（3天）]]></title><link>https://blog.youkuaiyun.com/sbjmf/article/details/109339872</link><guid>https://blog.youkuaiyun.com/sbjmf/article/details/109339872</guid><author>sbjmf</author><pubDate>Wed, 28 Oct 2020 19:38:40 +0800</pubDate><description><![CDATA[学习目标：
Task04：数学函数及逻辑函数（3天）
学习内容：
向量化和广播
向量化和广播这两个概念是 numpy 内部实现的基础。有了向量化，编写代码时无需使用显式循环。这些循环实际上不能省略，只不过是在内部实现，被代码中的其他结构代替。向量化的应用使得代码更简洁，可读性更强，也可以说使用了向量化方法的代码看上去更“Pythonic”。
广播（Broadcasting）机制描述了 numpy 如何在算术运算期间处理具有不同形状的数组，让较小的数组在较大的数组上“广播”，以便它们具有兼容的形状。并不是所有]]></description><category></category></item><item><title><![CDATA[task03 数组的操作-变形]]></title><link>https://blog.youkuaiyun.com/sbjmf/article/details/109281106</link><guid>https://blog.youkuaiyun.com/sbjmf/article/details/109281106</guid><author>sbjmf</author><pubDate>Sun, 25 Oct 2020 23:58:08 +0800</pubDate><description><![CDATA[学习目标：
task03 数组的操作-变形
学习内容：
掌握数组的各种操作，比如：更改形状，数组转置，更改维度，数组组合，数组拆分，数组平铺，添加和删除元素等。

学习产出：
数组操作
更改形状

在对数组进行操作时，为了满足格式和计算的要求通常会改变其形状。

numpy.ndarray.shape表示数组的维度，返回一个元组，这个元组的长度就是维度的数目，即 ndim 属性(秩)。


【例】通过修改 shape 属性来改变数组的形状。
import numpy as np

x = np.array(]]></description><category></category></item><item><title><![CDATA[Task02：索引]]></title><link>https://blog.youkuaiyun.com/sbjmf/article/details/109251256</link><guid>https://blog.youkuaiyun.com/sbjmf/article/details/109251256</guid><author>sbjmf</author><pubDate>Fri, 23 Oct 2020 23:52:30 +0800</pubDate><description><![CDATA[学习目标：
Task2：索引（3天）
学习内容：
掌握数组的索引与切片，熟悉数组迭代。
学习产出：
副本与视图

在 Numpy 中，尤其是在做数组运算或数组操作时，返回结果不是数组的 副本 就是 视图。
在 Numpy 中，所有赋值运算不会为数组和数组中的任何元素创建副本。

numpy.ndarray.copy() 函数创建一个副本。 对副本数据进行修改，不会影响到原始数据，它们物理内存不在同一位置。


【例】
import numpy as np

x = np.array([1, 2, 3, 4,]]></description><category></category></item><item><title><![CDATA[Task 1 数据类型及数组创建]]></title><link>https://blog.youkuaiyun.com/sbjmf/article/details/109189879</link><guid>https://blog.youkuaiyun.com/sbjmf/article/details/109189879</guid><author>sbjmf</author><pubDate>Tue, 20 Oct 2020 22:40:08 +0800</pubDate><description><![CDATA[学习目标：
Task1：数据类型及数组创建（2天）：
	两天掌握 数据类型及数组创建


# 学习内容：

常量
数据类型
时间日期和时间增量
数组的创建


学习产出：
1.常量
numpy.nan

表示空值。
nan = NaN = NAN

【例】两个numpy.nan是不相等的。
import numpy as np

	print(np.nan == np.nan)  # False
	print(np.nan != np.nan)  # True


numpy.isnan(x, *args,]]></description><category></category></item></channel></rss>