<?xml version="1.0" encoding="utf-8" ?><rss version="2.0"><channel><title><![CDATA[shell的专栏]]></title><description><![CDATA[成长的轨迹]]></description><link>https://blog.youkuaiyun.com/shellup</link><language>zh-cn</language><generator>https://blog.youkuaiyun.com/</generator><copyright><![CDATA[Copyright &copy; shellup]]></copyright><item><title><![CDATA[Task02 艺术画笔见乾坤]]></title><link>https://blog.youkuaiyun.com/shellup/article/details/120337509</link><guid>https://blog.youkuaiyun.com/shellup/article/details/120337509</guid><author>shellup</author><pubDate>Thu, 16 Sep 2021 21:01:26 +0800</pubDate><description><![CDATA[1、知识梳理





2、代码实践
]]></description><category></category></item><item><title><![CDATA[Task01 Matplotlib初相识]]></title><link>https://blog.youkuaiyun.com/shellup/article/details/120296127</link><guid>https://blog.youkuaiyun.com/shellup/article/details/120296127</guid><author>shellup</author><pubDate>Tue, 14 Sep 2021 20:42:06 +0800</pubDate><description><![CDATA[1、知识梳理

  Matplotlib是matplot库在python中的实现，是知名的数据可视化包，可以绘制动态图、动态图、交互图，广泛应用于科研论文中。Matplotlib与numpy、pandas结合，更加简洁易用。

  Matplotlib与R的ggplot2类似，也是又容器组成，包括Figure，Axes、Axis和Tick：


	Figure：顶层级，用来容纳所有绘图元素
	
	
	Axes：matplotlib宇宙的核心，容纳了大量元素用来构造一幅幅子图，一个figure可以...]]></description><category></category></item><item><title><![CDATA[Datawhale 西瓜书第六章]]></title><link>https://blog.youkuaiyun.com/shellup/article/details/119222713</link><guid>https://blog.youkuaiyun.com/shellup/article/details/119222713</guid><author>shellup</author><pubDate>Thu, 29 Jul 2021 23:06:06 +0800</pubDate><description><![CDATA[1、间隔与支持向量

   分类的核心思想是在给定的样本空间寻找超平面，将不同类别的样本分开。在样本空间中，超平面



其中，为法向量，决定了超平面你的方向，b为位移项，决定超平面与原点之间的距离。任意点到超平面的距离可以表示为：



    如果超平面（w,b）能够正确的对样本进行分类，对于，若有,如果，则有,满足改条件的样本点称之为支持向量（support vector）

2、对偶问题

   对偶问题是优化中的经典问题，如果现有的规划问题无法求解，或者很难求解，可以将其转...]]></description><category></category></item><item><title><![CDATA[Datawhale 西瓜书第五章]]></title><link>https://blog.youkuaiyun.com/shellup/article/details/119089080</link><guid>https://blog.youkuaiyun.com/shellup/article/details/119089080</guid><author>shellup</author><pubDate>Sun, 25 Jul 2021 22:48:22 +0800</pubDate><description><![CDATA[1、神经元模型

   神经网络模型是近年来最火的机器学习算法，不仅在CV、NLP、语音处理等领域应用较多，在社会科学、管理科学、机器人等多学科交叉领域有广泛的应用。神经网络模型最基本的模型是多层感知机模型，该模型在上个世纪八九是年代就已经出现，但是由于当时计算机处理能力有限，在机器学习方面应用有限。

  神经网络中最基本的模型是神经元（neuron）模型，神经元接收来自N个其他神经元的信号，通过带权重的连接进行传递。神经元接收的输入与神经元阈值进行比较，通过激活函数进行输出。



  ...]]></description><category></category></item><item><title><![CDATA[Datawhale 西瓜书第四章]]></title><link>https://blog.youkuaiyun.com/shellup/article/details/119010446</link><guid>https://blog.youkuaiyun.com/shellup/article/details/119010446</guid><author>shellup</author><pubDate>Thu, 22 Jul 2021 22:39:49 +0800</pubDate><description><![CDATA[1、决策树基本流程

   决策树是模拟树状的决策过程，包括根节点、叶子节点和内部节点。根节点包括样本全集，叶子节点表示决策结果。决策树计算的过程就是寻找一条从根节点到叶子节点的路径。

   基本算法过程为：



2、划分选择

   决策树是递归过程，分为三种情况：

   （1）当前节点包含的样本全属于同一类别，无需化划分。

   （2）当前属性集为空，或是所有样本在所有属性上取值相同，无法划分。

   （3）当前节点包含的样本集合为空，不能划分。

...]]></description><category></category></item><item><title><![CDATA[Datawhale 西瓜书第三章]]></title><link>https://blog.youkuaiyun.com/shellup/article/details/118916137</link><guid>https://blog.youkuaiyun.com/shellup/article/details/118916137</guid><author>shellup</author><pubDate>Mon, 19 Jul 2021 22:53:44 +0800</pubDate><description><![CDATA[本章主要介绍线性模型进行二分类和多分类问题。

1、线性回归 线性回归模型在机器学习中应用广泛，通常，线性模型表示为属性的显性组合，即



  更一般的形式为：

  损失函数定义为真实值与预测值之间的差，通常使用均方误差来表示：



2、对数几率回归

   显性回归通常用于模型对真实样本的拟合，无法解决分类问题，为此，对数回归几率模型引入单调可微的sigmoid函数（与深度学习中的激活函数类似），也叫逻辑函数，定义为：



对数几率回归的损失函数定义为：



 ...]]></description><category></category></item><item><title><![CDATA[Datawhale 西瓜书第一、二章]]></title><link>https://blog.youkuaiyun.com/shellup/article/details/118708144</link><guid>https://blog.youkuaiyun.com/shellup/article/details/118708144</guid><author>shellup</author><pubDate>Tue, 13 Jul 2021 18:56:23 +0800</pubDate><description><![CDATA[第1章 绪论

   主要阐述了机器学习的基本概念、基本假设和发展历程。重要的概念如下：

数据集：示例的集合，示例是对事件或者对象的描述。

属性/特征：事件或者对象某方面的对象与性质。

属性空间/样本空间/输入空间：属性张成的空间。

学习/训练：从数据中得到模型的过程，学习的样本称为训练集，学习出的模型称为学习器。

测试：使用模型进行预测的过程，被预测的样本称为测试集。

监督学习：数据有标记信息（如回归，分类）

无监督学习：数据无标记信息（如聚类）

泛化能力：学得模型适用于新样本的能...]]></description><category></category></item><item><title><![CDATA[组队学习-总结 Taks 08]]></title><link>https://blog.youkuaiyun.com/shellup/article/details/118642534</link><guid>https://blog.youkuaiyun.com/shellup/article/details/118642534</guid><author>shellup</author><pubDate>Sat, 10 Jul 2021 23:15:15 +0800</pubDate><description><![CDATA[在参加本次组队学习之前，本人一直相对图神经网络有系统的学习，但是由于种种原因未能如愿。近年来，一直关注Datawhale的内容，正好有图神经的组队学习，于是就报名了。经过20多天的艰苦学习，在实验室有诸多的任务的情况下，仍在坚持完成组队学习的各项内容。通过Datawhale的组队学习，收获如下：
   （1）对图深度学习有基本的认识，对图论知识、图分类、图预测等有初了解。
   （2）熟悉了PyG库的安装和使用，并在colab和linux上完成相关的作业。在完成过程中，遇到诸...]]></description><category></category></item><item><title><![CDATA[组队学习-图预测 Taks 07]]></title><link>https://blog.youkuaiyun.com/shellup/article/details/118613462</link><guid>https://blog.youkuaiyun.com/shellup/article/details/118613462</guid><author>shellup</author><pubDate>Fri, 09 Jul 2021 19:52:05 +0800</pubDate><description><![CDATA[1、知识点回顾

 （1）Dataset基类简介

  在PyG中，输入数据可以自定义数据类型，需要继承基类torch_geometric.data.Dataset，定义len()函数和get()函数。如果数据不需要下载，可以不定义函数download()和process().

  （2）图样本封装成批和与DataLoader类

  图分类和图预测的图像类型多种多样，想要将这些数据进行输入，就需要进行图样本的封装。在PyTorch Geometric中，程序将小图放在大图的对角线上构成...]]></description><category></category></item><item><title><![CDATA[组队学习-图神经网络 Taks 06]]></title><link>https://blog.youkuaiyun.com/shellup/article/details/118462300</link><guid>https://blog.youkuaiyun.com/shellup/article/details/118462300</guid><author>shellup</author><pubDate>Sun, 04 Jul 2021 14:54:05 +0800</pubDate><description><![CDATA[1、基于图同构网络（GIN）的图表征

  采用GINNodeEmbedding模块对图上每一个节点做节点嵌入（Node Embedding），得到节点表征；然后对节点表征做图池化得到图的表征；最后用一层线性变换对图表征转换为对图的预测。

基于结点表征计算得到图表征的方法有：

sum：对节点表征求和；

mean：对节点表征求平均；
max：取节点表征的最大值，对一个batch中所有节点计算节点表征各个维度的最大值；
attention：基于Attention对节点表征加权求和
set2set:...]]></description><category></category></item><item><title><![CDATA[组队学习-图神经网络 Taks 05]]></title><link>https://blog.youkuaiyun.com/shellup/article/details/118381666</link><guid>https://blog.youkuaiyun.com/shellup/article/details/118381666</guid><author>shellup</author><pubDate>Thu, 01 Jul 2021 10:57:25 +0800</pubDate><description><![CDATA[尝试将数据集切分成不同数量的簇进行实验，然后观察结果并进行比较。

1、设置num_parts=1500


cluster_data = ClusterData(data, num_parts=1500, recursive=False,
                           save_dir=dataset.processed_dir)
train_loader = ClusterLoader(cluster_data, batch_size=20, shuffle=True,
  ..]]></description><category></category></item><item><title><![CDATA[组队学习-图神经网络 Taks 04]]></title><link>https://blog.youkuaiyun.com/shellup/article/details/118280256</link><guid>https://blog.youkuaiyun.com/shellup/article/details/118280256</guid><author>shellup</author><pubDate>Sun, 27 Jun 2021 21:25:52 +0800</pubDate><description><![CDATA[1、InMemoryDataset基类的使用

在PyG中，我们通过继承InMemoryDataset类来自定义一个数据可全部存储到内存的数据集类。

InMemoryDataset类初始化方法参数说明:

root：字符串类型，**存储数据集的文件夹的路径**。

transform：函数类型，一个数据转换函数，它接收一个`Data`对象并返回一个转换后的`Data`对象。

pre_transform：函数类型，一个数据转换函数，它接收一个`Data`对象并返回一个转换后的Data对象。

pre_..]]></description><category></category></item><item><title><![CDATA[组队学习-图神经网络 Taks 03]]></title><link>https://blog.youkuaiyun.com/shellup/article/details/118162189</link><guid>https://blog.youkuaiyun.com/shellup/article/details/118162189</guid><author>shellup</author><pubDate>Wed, 23 Jun 2021 20:46:09 +0800</pubDate><description><![CDATA[1、知识梳理

1.1 图卷积神经网络

$$\mathbf{x}^{\prime}_i = \alpha_{i,i}\mathbf{\Theta}\mathbf{x}_{i} +\sum_{j \in \mathcal{N}(i)} \alpha_{i,j}\mathbf{\Theta}\mathbf{x}_{j},$$

1.2 图注意力神经网络



2、使用[PyG中不同的图卷积模块在[PyG的不同数据集]上实现节点分类或回归任务。
...]]></description><category></category></item><item><title><![CDATA[组队学习-图神经网络 Taks 02]]></title><link>https://blog.youkuaiyun.com/shellup/article/details/118059766</link><guid>https://blog.youkuaiyun.com/shellup/article/details/118059766</guid><author>shellup</author><pubDate>Sat, 19 Jun 2021 21:58:24 +0800</pubDate><description><![CDATA[1、MessagePassing基类的运行流程

 MessagePassing类封装了“消息传递”的运行liucheng
]]></description><category></category></item><item><title><![CDATA[组队学习-图神经网络 Taks 01]]></title><link>https://blog.youkuaiyun.com/shellup/article/details/117962624</link><guid>https://blog.youkuaiyun.com/shellup/article/details/117962624</guid><author>shellup</author><pubDate>Wed, 16 Jun 2021 17:12:28 +0800</pubDate><description><![CDATA[1、环境配置

  

2、data类



3、
]]></description><category></category></item><item><title><![CDATA[Python常用函数]]></title><link>https://blog.youkuaiyun.com/shellup/article/details/132992129</link><guid>https://blog.youkuaiyun.com/shellup/article/details/132992129</guid><author>shellup</author><pubDate>Sat, 17 Aug 2019 15:03:00 +0800</pubDate><description><![CDATA[1、map(parm1,parm2)，
  包括两个参数，一个是自定义，另一个是迭代器，map将传入的函数依次作用到序列的每个元素，并把结果作为新的Iterator返回。通常parm2为list，如果是str，函数仍将转化为list。list的每个字符都是list的一个元素。

def normalize(name):
    if name:
        return name[0]...]]></description><category></category></item><item><title><![CDATA[Python代码常用技巧]]></title><link>https://blog.youkuaiyun.com/shellup/article/details/132992123</link><guid>https://blog.youkuaiyun.com/shellup/article/details/132992123</guid><author>shellup</author><pubDate>Sat, 17 Aug 2019 10:14:00 +0800</pubDate><description><![CDATA[待添加
]]></description><category></category></item><item><title><![CDATA[Beautiful Soup常用操作]]></title><link>https://blog.youkuaiyun.com/shellup/article/details/83308399</link><guid>https://blog.youkuaiyun.com/shellup/article/details/83308399</guid><author>shellup</author><pubDate>Tue, 23 Oct 2018 16:04:07 +0800</pubDate><description><![CDATA[1、Bs4_Tag.contents 将标签转化为list

2、soup.prettify()  将soup中的内容以标签的形式打印出来

3、调用tag的 find_all() 方法时,Beautiful Soup会检索当前tag的所有子孙节点,如果只想搜索tag的直接子节点,可以使用参数 recursive=False

一段简单的文档:

&amp;lt;html&amp;gt;
 &amp;lt;head&amp;gt...]]></description><category></category></item><item><title><![CDATA[scikit-learn点滴]]></title><link>https://blog.youkuaiyun.com/shellup/article/details/82868891</link><guid>https://blog.youkuaiyun.com/shellup/article/details/82868891</guid><author>shellup</author><pubDate>Thu, 27 Sep 2018 16:13:42 +0800</pubDate><description><![CDATA[转自https://blog.youkuaiyun.com/lishuhuakai/article/details/53980517

scikit-learn点滴

scikit-learn是非常漂亮的一个机器学习库,在某些时候,使用这些库能够大量的节省你的时间,至少,我们用python,应该是很难写出速度快如斯的代码的.

scikit-learn官方出了一些文档,但是个人觉得,它的文档很多东西都没有讲清...]]></description><category></category></item><item><title><![CDATA[基于K-means的动态主题模型话题分类]]></title><link>https://blog.youkuaiyun.com/shellup/article/details/81283576</link><guid>https://blog.youkuaiyun.com/shellup/article/details/81283576</guid><author>shellup</author><pubDate>Mon, 30 Jul 2018 13:36:56 +0800</pubDate><description><![CDATA[ 


from numpy import array, zeros, argmin, inf, ndim
import scipy.stats
import time
import numpy as np
import matplotlib.pyplot as plt
from sklearn.metrics import euclidean_distances


def dtw(x, y, ...]]></description><category></category></item></channel></rss>