<?xml version="1.0" encoding="utf-8" ?><rss version="2.0"><channel><title><![CDATA[Dream   come  ture~]]></title><description><![CDATA[学习学习~]]></description><link>https://blog.youkuaiyun.com/sysstc</link><language>zh-cn</language><generator>https://blog.youkuaiyun.com/</generator><copyright><![CDATA[Copyright &copy; sysstc]]></copyright><item><title><![CDATA[IntelliJ IDEA连接Github]]></title><link>https://blog.youkuaiyun.com/sysstc/article/details/127754008</link><guid>https://blog.youkuaiyun.com/sysstc/article/details/127754008</guid><author>sysstc</author><pubDate>Tue, 08 Nov 2022 16:52:07 +0800</pubDate><description><![CDATA[IntelliJ IDEA连接Github]]></description><category></category></item><item><title><![CDATA[Java中 Controller、Service 、Dao/Mapper层的区别]]></title><link>https://blog.youkuaiyun.com/sysstc/article/details/127751342</link><guid>https://blog.youkuaiyun.com/sysstc/article/details/127751342</guid><author>sysstc</author><pubDate>Tue, 08 Nov 2022 15:54:03 +0800</pubDate><description><![CDATA[Java中 Controller、Service 、Dao/Mapper层的区别]]></description><category></category></item><item><title><![CDATA[【Tensorflow】线性模型]]></title><link>https://blog.youkuaiyun.com/sysstc/article/details/104004774</link><guid>https://blog.youkuaiyun.com/sysstc/article/details/104004774</guid><author>sysstc</author><pubDate>Thu, 16 Jan 2020 16:38:05 +0800</pubDate><description><![CDATA[线性模型一元线性回归多元线性回归逻辑回归
常见的线性模型有两种：线性回归和逻辑回归。

线性回归常用语分析变量之间的关系，并试图通过从给定的数据中学习到的信息模型来预测以后的值。一般而言，它预测的结果一般是一个连续值。
逻辑回归：也称为对数概率回归，用于判断输入值和比较对象的“是”与“否”关系，逻辑回归本质上而言是一种“分类”算法。

一元线性回归
import tensorflow as tf
...]]></description><category></category></item><item><title><![CDATA[【TensorFlow】之基本运算]]></title><link>https://blog.youkuaiyun.com/sysstc/article/details/104003582</link><guid>https://blog.youkuaiyun.com/sysstc/article/details/104003582</guid><author>sysstc</author><pubDate>Thu, 16 Jan 2020 14:24:37 +0800</pubDate><description><![CDATA[算术运算符加法tf.addtf.math.add减法tf.subtract乘法tf.multiplytf.scalar_mul除法tf.div
加法
tf.add

tf.add(x,y,name=None)
参数说明：
x：一个张量，必须是下列类型之一：bfloat16/half/float32/uint8/int8/int16/int32/int64/complex64/complex128/...]]></description><category></category></item><item><title><![CDATA[机器学习之模型融合（详解Stacking,Blending）]]></title><link>https://blog.youkuaiyun.com/sysstc/article/details/103990906</link><guid>https://blog.youkuaiyun.com/sysstc/article/details/103990906</guid><author>sysstc</author><pubDate>Thu, 16 Jan 2020 13:49:36 +0800</pubDate><description><![CDATA[模型融合Ensemble Generation常见模型融合的方法boostingbaggingStackingblending各种模型融合的区别

集成学习和多模型融合的区别
集成学习是指多个弱分类器（子模型）集成为强分类器，这种弱分类器是同质的分类器，比如GBDT，Adaboost，RF等。

根据弱分类器之间的关系，可以分为相关（第i个弱分类器依赖于第i-1个弱分类器）和独立（每个弱分类器相互...]]></description><category></category></item><item><title><![CDATA[机器学习算法集锦：从贝叶斯到深度学习及各自优缺点]]></title><link>https://blog.youkuaiyun.com/sysstc/article/details/103677700</link><guid>https://blog.youkuaiyun.com/sysstc/article/details/103677700</guid><author>sysstc</author><pubDate>Tue, 14 Jan 2020 17:20:37 +0800</pubDate><description><![CDATA[转载自：https://zhuanlan.zhihu.com/p/25327755

在我们日常生活中所用到的推荐系统、智能图片美化应用和聊天机器人等应用中，各种各样的机器学习和数据处理算法正在尽职尽责地发挥自己的功效。本文筛选并简单介绍一些最常见的算法类别，还为每一个类别列出了一些实际算法并简单介绍了它们的优缺点。


相关连接：https://static.coggle.it/diagram/...]]></description><category></category></item><item><title><![CDATA[【TensorFlow】基本概念篇]]></title><link>https://blog.youkuaiyun.com/sysstc/article/details/103919656</link><guid>https://blog.youkuaiyun.com/sysstc/article/details/103919656</guid><author>sysstc</author><pubDate>Fri, 10 Jan 2020 14:04:00 +0800</pubDate><description><![CDATA[文章目录Tensor（张量）Variable（变量）Placeholder（占位符）Session（会话）Operation（操作）Queue（队列）QueueRunner（队列管理器）Coordinator（协调器：线程之间的同步）
Tensor（张量）
Tensor用于在图中进行数据传递，是Tensorflow中最基本的数据结构。
张量生成方法：

固定张量：例如，tf.zeros、tf.on...]]></description><category></category></item><item><title><![CDATA[训练集、测试集、验证集与交叉验证]]></title><link>https://blog.youkuaiyun.com/sysstc/article/details/103567520</link><guid>https://blog.youkuaiyun.com/sysstc/article/details/103567520</guid><author>sysstc</author><pubDate>Tue, 17 Dec 2019 16:38:34 +0800</pubDate><description><![CDATA[引言
当我们训练好一个模型时，我们不只希望这个模型只在训练集上表现的好，更重要的是希望这个模型后续能表现的好

]]></description><category></category></item><item><title><![CDATA[相关性分析(二)之离散特征]]></title><link>https://blog.youkuaiyun.com/sysstc/article/details/103493872</link><guid>https://blog.youkuaiyun.com/sysstc/article/details/103493872</guid><author>sysstc</author><pubDate>Mon, 16 Dec 2019 16:25:57 +0800</pubDate><description><![CDATA[信息熵
基础

xix_ixi​的自信息： 反映特征的某个值，具有非负、单调减、可加和不确定性。表示收到某消息获得的信息量（即，收到某消息后获得关于某事件发生的信息量），公式如下：
I(xi)=f[p(xi)]=−logrp(xi)，r=2I(x_i)=f[p(x_i)]=-log_rp(x_i)，r=2I(xi​)=f[p(xi​)]=−logr​p(xi​)，r=2
条件的自信息量：
I(xi...]]></description><category></category></item><item><title><![CDATA[相关性分析(一)之连续特征]]></title><link>https://blog.youkuaiyun.com/sysstc/article/details/103066471</link><guid>https://blog.youkuaiyun.com/sysstc/article/details/103066471</guid><author>sysstc</author><pubDate>Fri, 29 Nov 2019 14:58:44 +0800</pubDate><description><![CDATA[相关性分析
分析两个特征的相关程度叫做相关性分析，比如“身高”与“体重”两个特征，就可以使用相关性分析找到两者的相关关系。
正相关/负相关/不相关
图表
分析两组数量不大的数据时，可以用图表法，常见的图表法有以下两种：

折线（时间维度）：双坐标折线图
散点图
图表可以清晰的展现相关关系，但无法准确度量，且缺乏说服力。

协方差
协方差公公式如下：
x和y分别表示的是两个特征，这两个特征都有n条：...]]></description><category></category></item><item><title><![CDATA[样本相似度度量]]></title><link>https://blog.youkuaiyun.com/sysstc/article/details/102538890</link><guid>https://blog.youkuaiyun.com/sysstc/article/details/102538890</guid><author>sysstc</author><pubDate>Thu, 07 Nov 2019 11:14:05 +0800</pubDate><description><![CDATA[样本相似度度量
分类时，有时需要估算样本之间的相似度，这时候就需要进行相似度度量。
常见的相似度度量有以下几种：
欧氏距离
两个样本a(x11, x12, x13, … ,x1n)和b(x21, x22, x23, x2n)的欧氏距离：

欧氏距离基于各维度特征的绝对数值，因此欧氏距离需要保证各维度指标在相同的刻度级别
标准化欧氏距离
标准欧氏距离是针对欧氏距离的缺点而作的一种改进。
其基本思路为...]]></description><category></category></item><item><title><![CDATA[【SQL学习】必须掌握的29种SQL语句优化]]></title><link>https://blog.youkuaiyun.com/sysstc/article/details/95047963</link><guid>https://blog.youkuaiyun.com/sysstc/article/details/95047963</guid><author>sysstc</author><pubDate>Mon, 08 Jul 2019 14:31:06 +0800</pubDate><description><![CDATA[转载自：https://www.cnblogs.com/Little-Li/p/8031295.html

对查询进行优化，应尽量避免全表扫描，首先应考虑在where及order by 涉及的列上建立索引。
应尽量避免在where子句中使用!=或&lt;&gt;操作符，否则引擎将放弃使用索引而进行全表扫描。如：
应尽量避免在where子句中对字段进行null值判断，否则将导致引擎放弃使用索引而进行...]]></description><category></category></item><item><title><![CDATA[GitLab工具之SmartGit]]></title><link>https://blog.youkuaiyun.com/sysstc/article/details/94393123</link><guid>https://blog.youkuaiyun.com/sysstc/article/details/94393123</guid><author>sysstc</author><pubDate>Mon, 01 Jul 2019 16:18:34 +0800</pubDate><description><![CDATA[破解
smartgit需要输入序列号解决方法，找到路径：%APPDATA%\syntevo\SmartGit&lt;main-smartgit-version&gt; 然后删除： settings.xml 再重新打开smartgit。
步骤一：windows+R，输入%APPDATA%\syntevo\SmartGit\查找，或直接输入地址在文件夹栏输入：


找到18.2文件夹内的setting...]]></description><category></category></item><item><title><![CDATA[【Tensorflow】防止过拟合之正则化]]></title><link>https://blog.youkuaiyun.com/sysstc/article/details/89673252</link><guid>https://blog.youkuaiyun.com/sysstc/article/details/89673252</guid><author>sysstc</author><pubDate>Mon, 29 Apr 2019 16:50:21 +0800</pubDate><description><![CDATA[Reference
https://stackoverflow.com/questions/41841050/tensorflow-adding-regularization-to-lstm?noredirect=1&amp;lq=1
https://blog.youkuaiyun.com/huqinweI987/article/details/82957034

防止过拟合之正则化原理1. L2正则化原理...]]></description><category></category></item><item><title><![CDATA[linux基础知识之常见的问题[深度学习版]]]></title><link>https://blog.youkuaiyun.com/sysstc/article/details/89534473</link><guid>https://blog.youkuaiyun.com/sysstc/article/details/89534473</guid><author>sysstc</author><pubDate>Fri, 26 Apr 2019 10:57:59 +0800</pubDate><description><![CDATA[Linux基础知识之常见坑Python安装1. Python安装第三方库，超时报错—Read timed out2. ImportError: cannot import name pywrap_tensorflow
Python安装
1. Python安装第三方库，超时报错—Read timed out
1. 问题描述
Traceback (most recent call last):
Fil...]]></description><category></category></item><item><title><![CDATA[linux基础知识之常用命令[深度学习版]]]></title><link>https://blog.youkuaiyun.com/sysstc/article/details/89488881</link><guid>https://blog.youkuaiyun.com/sysstc/article/details/89488881</guid><author>sysstc</author><pubDate>Fri, 26 Apr 2019 10:35:18 +0800</pubDate><description><![CDATA[linux基础知识之常用命令Linux系统的文件（一） 编辑器中的行号（二）文件内容搜索（三）查看 文件/文件夹 的修改时间python中的库（一）查看python中库的版本及其安装路径磁盘空间（df、du）（一）查看磁盘空间使用情况GPU（一）查看GPU的使用情况（二）tensorflow中指定CPU/GPU使用GPUs
Linux系统的文件
（一） 编辑器中的行号

设置行号：在vi或者vim...]]></description><category></category></item><item><title><![CDATA[linux基础知识之环境变量]]></title><link>https://blog.youkuaiyun.com/sysstc/article/details/89483591</link><guid>https://blog.youkuaiyun.com/sysstc/article/details/89483591</guid><author>sysstc</author><pubDate>Wed, 24 Apr 2019 11:10:40 +0800</pubDate><description><![CDATA[linux基础知识之环境变量（一）Linux下的变量1. Linux的变量种类2. 设置变量的三种方法3. 环境变量的查看4. 环境变量的删除(unset)常用的环境变量PATHLD_LIBRARY_PATH参考资料：新的改变功能快捷键合理的创建标题，有助于目录的生成如何改变文本的样式插入链接与图片如何插入一段漂亮的代码片生成一个适合你的列表创建一个表格设定内容居中、居左、居右SmartyPant...]]></description><category></category></item><item><title><![CDATA[LSTM神经元中参数个数]]></title><link>https://blog.youkuaiyun.com/sysstc/article/details/89455265</link><guid>https://blog.youkuaiyun.com/sysstc/article/details/89455265</guid><author>sysstc</author><pubDate>Tue, 23 Apr 2019 17:03:30 +0800</pubDate><description><![CDATA[LSTM的神经元个数
1. LSTM简单介绍

上图中间位置就是一个LSTM cell，红框框从左到右，依次是：
忘记门层： 决定从细胞状态中丢弃什么信息，通过当前时刻输入(xtx_{t}xt​)和前一个时刻输出(ht−1h_{t-1}ht−1​)决定。
细胞状态： 确定并更新新消息到当前时刻的细胞状态中。
输出门层： 基于目前的细胞状态决定该时刻的输出。
2. 简单假设样例
假设现有一个样本，S...]]></description><category></category></item><item><title><![CDATA[数据预处理（三）数据变换]]></title><link>https://blog.youkuaiyun.com/sysstc/article/details/84532396</link><guid>https://blog.youkuaiyun.com/sysstc/article/details/84532396</guid><author>sysstc</author><pubDate>Tue, 27 Nov 2018 10:24:12 +0800</pubDate><description><![CDATA[文章目录数据变换一、特征二值化二、特征归一化（一）、总和标准化（二）、标准差标准化（三）、极大值标准化（四）、极差标准化（区间放缩法，0-1标准化）三、连续特征变换四、定性特征哑编码：One-hot编码
数据变换
数据变换即对数据进行规范化处理，以便于后续的信息挖掘。常见的数据变换包括：特征二值化、特征归一化、连续特征变化，定性特征哑编码等。
一、特征二值化
特征二值化的核心在于设定一个阈值，将特...]]></description><category></category></item><item><title><![CDATA[数据预处理（一）直观分析]]></title><link>https://blog.youkuaiyun.com/sysstc/article/details/83657945</link><guid>https://blog.youkuaiyun.com/sysstc/article/details/83657945</guid><author>sysstc</author><pubDate>Fri, 02 Nov 2018 16:46:52 +0800</pubDate><description><![CDATA[一、直观分析：作图
通过作图可以观察数据的分布情况，一般观察图上的几点：

找到数据的平均值、标准差、众数、中位数、置信区间、局部峰值等
分析数据变化情况及变化的原因。


...]]></description><category></category></item></channel></rss>