<?xml version="1.0" encoding="utf-8" ?><rss version="2.0"><channel><title><![CDATA[tan2810的博客]]></title><description><![CDATA[]]></description><link>https://blog.youkuaiyun.com/tan2810</link><language>zh-cn</language><generator>https://blog.youkuaiyun.com/</generator><copyright><![CDATA[Copyright &copy; tan2810]]></copyright><item><title><![CDATA[DevTools开发者工具(chrome谷歌浏览器)]]></title><link>https://blog.youkuaiyun.com/tan2810/article/details/115895778</link><guid>https://blog.youkuaiyun.com/tan2810/article/details/115895778</guid><author>tan2810</author><pubDate>Tue, 20 Apr 2021 10:30:30 +0800</pubDate><description><![CDATA[DevTools开发者工具(chrome谷歌浏览器)

概述
官方文档
https://developers.google.com/web/tools/chrome-devtools/ （需科学上网）

打开方法：
*在Chrome菜单中选择 更多工具 &gt; 开发者工具
*在页面元素上右键点击，选择 “检查”
*使用 快捷键 Ctrl+Shift+I (Windows) 或 Cmd+Opt+I (Mac)

前言：
chrome的开发者工具可以说是十分强大了，是web开发者的一大利器，作为我个人而言平时]]></description><category></category></item><item><title><![CDATA[获取股票历史数据（网易163行情接口）]]></title><link>https://blog.youkuaiyun.com/tan2810/article/details/110457280</link><guid>https://blog.youkuaiyun.com/tan2810/article/details/110457280</guid><author>tan2810</author><pubDate>Tue, 01 Dec 2020 23:31:12 +0800</pubDate><description><![CDATA[获取股票历史数据（网易163行情接口）
获取股票历史数据，通过网易163接口来获取数据，可以获取指数数据，也可以获取股票数据
import pandas as pd
 
#沪市前面加0，深市前面加1，比如0000001，是上证指数，1000001是中国平安
def get_daily(code,start='19900101',end=''):
    url_mod="http://quotes.money.163.com/service/chddata.html?code=%s&amp;start=%s]]></description><category></category></item><item><title><![CDATA[lgbm和xgboost实现代码]]></title><link>https://blog.youkuaiyun.com/tan2810/article/details/104982444</link><guid>https://blog.youkuaiyun.com/tan2810/article/details/104982444</guid><author>tan2810</author><pubDate>Fri, 20 Mar 2020 09:03:41 +0800</pubDate><description><![CDATA[# coding: utf-8
# pylint: disable = invalid-name, C0111
import lightgbm as lgb
import pandas as pd
from sklearn.metrics import mean_squared_error
from sklearn.model_selection import GridSearchCV

# ...]]></description><category></category></item><item><title><![CDATA[行人检测_目标检测/识别_人脸识别数据集下载地址]]></title><link>https://blog.youkuaiyun.com/tan2810/article/details/103031837</link><guid>https://blog.youkuaiyun.com/tan2810/article/details/103031837</guid><author>tan2810</author><pubDate>Tue, 12 Nov 2019 16:12:39 +0800</pubDate><description><![CDATA[把之前用过的数据库下载进行总结 ，以方便更多的人下载。
行人检测相关数据库
INRIA数据集
下载地址：http://pascal.inrialpes.fr/data/human/
Caltech行人数据库
下载地址：http://www.vision.caltech.edu/Image_Datasets/CaltechPedestrians/
Crowd_PETS数据集
下载地址：http://...]]></description><category></category></item><item><title><![CDATA[行人检测数据库（包含9个常见数据库）]]></title><link>https://blog.youkuaiyun.com/tan2810/article/details/103031658</link><guid>https://blog.youkuaiyun.com/tan2810/article/details/103031658</guid><author>tan2810</author><pubDate>Tue, 12 Nov 2019 16:07:37 +0800</pubDate><description><![CDATA[到目前为止，行人检测研究除提出了大量的行人检 测方法外，另一个成果是收集了多个行人数据库以供不同 方法进行测试和比较。表 1 列出了目前常用的行人数据 库，下面对每个数据库的特点做简要说明。


MIT行人数据库[15]是较早公开的行人数据库，该库包含正面和背面两个视角的彩色行人图像，数据库未划分训练集和测试集，且不包含负样本。该库在 2005 年以前使用较多，因图像背景简单，目前较少被人使用。
...]]></description><category></category></item><item><title><![CDATA[经典损失函数：交叉熵（附tensorflow）]]></title><link>https://blog.youkuaiyun.com/tan2810/article/details/102968065</link><guid>https://blog.youkuaiyun.com/tan2810/article/details/102968065</guid><author>tan2810</author><pubDate>Fri, 08 Nov 2019 10:28:43 +0800</pubDate><description><![CDATA[经典损失函数：交叉熵（附tensorflow）
一.什么是交叉熵
交叉熵是一个信息论中的概念，它原来是用来估算平均编码长度的。给定两个概率分布p和q，通过q来表示p的交叉熵为：
新的改变

注意，交叉熵刻画的是两个概率分布之间的距离，或可以说它刻画的是通过概率分布q来表达概率分布p的困难程度，p代表正确答案，q代表的是预测值，交叉熵越小，两个概率的分布约接近。
那么，在神经网络中怎样把前向传播得到...]]></description><category></category></item><item><title><![CDATA[计算机会议排名等级]]></title><link>https://blog.youkuaiyun.com/tan2810/article/details/99714643</link><guid>https://blog.youkuaiyun.com/tan2810/article/details/99714643</guid><author>tan2810</author><pubDate>Mon, 19 Aug 2019 10:25:09 +0800</pubDate><description><![CDATA[附件是计算机领域的学术会议等级排名情况，分为A+, A, B, C, L 共5个档次。其中A+属于顶级会议，基本是这个领域全世界大牛们参与和关注最多的会议。国内的研究者能在其中发表论文的话，是很值得骄傲的成就。



A类也是非常好的会议了，尤其是一些热门的研究方向，A类的会议投稿多录用率低，部分A类会议影响力逐步逼近A+类会议。B类的会议分两种，一种称为盛会级，参与的人多，发表的论文也多，论文录...]]></description><category></category></item><item><title><![CDATA[TF-IDF算法介绍及实现]]></title><link>https://blog.youkuaiyun.com/tan2810/article/details/96341729</link><guid>https://blog.youkuaiyun.com/tan2810/article/details/96341729</guid><author>tan2810</author><pubDate>Wed, 17 Jul 2019 18:38:36 +0800</pubDate><description><![CDATA[目录

1、TF-IDF算法介绍

（1）TF是词频(Term Frequency)

（2） IDF是逆向文件频率(Inverse Document Frequency)

（3）TF-IDF实际上是：TF * IDF

2、TF-IDF应用

3、Python3实现TF-IDF算法

4、NLTK实现TF-IDF算法

5、Sklearn实现TF-IDF算法

1、TF-IDF算法介绍
...]]></description><category></category></item><item><title><![CDATA[互联网金融风控模型大全]]></title><link>https://blog.youkuaiyun.com/tan2810/article/details/88188033</link><guid>https://blog.youkuaiyun.com/tan2810/article/details/88188033</guid><author>tan2810</author><pubDate>Tue, 05 Mar 2019 16:31:18 +0800</pubDate><description><![CDATA[一、市场调研
目前市面主流的风控模型
1、互联网金融前10名排行榜(数据截止日期2017-09-12)
互联网金融公司排名分别是蚂蚁金服、陆金所、京东金融、苏宁金融、百度金融、腾讯理财通、宜信、钱大掌柜、万达金融和网易理财。
1.1 蚂蚁金服
1.1.1 大数据技术

对接第三方征信公司芝麻信用分，通过用户信用历史、行为偏好、履约能力、身份特质、人脉关系五个维度对海量数据行综合的处理评估，同时也给...]]></description><category></category></item><item><title><![CDATA[十分钟掌握pandas（pandas官方文档翻译）]]></title><link>https://blog.youkuaiyun.com/tan2810/article/details/86481471</link><guid>https://blog.youkuaiyun.com/tan2810/article/details/86481471</guid><author>tan2810</author><pubDate>Mon, 14 Jan 2019 17:56:16 +0800</pubDate><description><![CDATA[十分钟掌握pandas

文档版本：0.20.3

这是一个对pandas简短的介绍，适合新用户。你可以在Cookbook中查看更详细的内容。 
通常，我们要像下面一样导入一些包。


In [1]: import pandas as pd

In [2]: import numpy as np

In [3]: import matplotlib.pyplot as plt


1
	2
	3
...]]></description><category></category></item><item><title><![CDATA[python数据类型详解]]></title><link>https://blog.youkuaiyun.com/tan2810/article/details/85329327</link><guid>https://blog.youkuaiyun.com/tan2810/article/details/85329327</guid><author>tan2810</author><pubDate>Fri, 28 Dec 2018 17:49:57 +0800</pubDate><description><![CDATA[目录
1、字符串
2、布尔类型
3、整数
4、浮点数
5、数字
6、列表
7、元组
8、字典
9、日期

1、字符串
1.1、如何在Python中使用字符串
a、使用单引号(')
用单引号括起来表示字符串，例如：
str='this is string';
print str;

b、使用双引号(&quot;)
双引号中的字符串与单引号中的字符串用法完全相同，例如：
str=&quot;this is string&quot;...]]></description><category></category></item><item><title><![CDATA[Lasso Regression]]></title><link>https://blog.youkuaiyun.com/tan2810/article/details/78559157</link><guid>https://blog.youkuaiyun.com/tan2810/article/details/78559157</guid><author>tan2810</author><pubDate>Fri, 17 Nov 2017 11:19:23 +0800</pubDate><description><![CDATA[Lasso Regression
标签（空格分隔）： 监督学习
在数据挖掘和机器学习算法的模型建立之初，为了尽量的减少因缺少重要变量而出现的模型偏差问题，我们通常会尽可能的多的选择自变量。但是在实际建模的过程中，通常又需要寻找 对响应变量具有解释能力的自变量子集，以提高模型的解释能力与预测精度，这个过程称为特征选择。
还是考虑《线性回归》中的一般线性回归模型y=wTx，使用最小二乘估计(OL]]></description><category></category></item><item><title><![CDATA[Rsession让Java调用R更简单]]></title><link>https://blog.youkuaiyun.com/tan2810/article/details/72899490</link><guid>https://blog.youkuaiyun.com/tan2810/article/details/72899490</guid><author>tan2810</author><pubDate>Wed, 07 Jun 2017 14:34:30 +0800</pubDate><description><![CDATA[Rsession让Java调用R更简单

R的极客理想系列文章，涵盖了R的思想，使用，工具，创新等的一系列要点，以我个人的学习和体验去诠释R的强大。
R语言作为统计学一门语言，一直在小众领域闪耀着光芒。直到大数据的爆发，R语言变成了一门炙手可热的数据分析的利器。随着越来越多的工程背景的人的加入，R语言的社区在迅速扩大成长。现在已不仅仅是统计领域，教育，银行，电商，互联网….都在使用R语言。]]></description><category></category></item><item><title><![CDATA[怎样将Java项目打包成.Jar包]]></title><link>https://blog.youkuaiyun.com/tan2810/article/details/72899475</link><guid>https://blog.youkuaiyun.com/tan2810/article/details/72899475</guid><author>tan2810</author><pubDate>Wed, 07 Jun 2017 14:33:38 +0800</pubDate><description><![CDATA[转自：http://hi.baidu.com/qinxuanhui/blog/item/b372e050278b034c1138c2c3.html
怎样将Java项目打包成.Jar包





总体思路是先打成jar再把jar打成exe。主要看1.3和2.3里的内容就可以了。
1．将项目打成jar:
1.1 要将项目打包成jar文件，方法很多，可以用Eclipse自带的打包工具A]]></description><category></category></item><item><title><![CDATA[JAVA调用R语言]]></title><link>https://blog.youkuaiyun.com/tan2810/article/details/72899462</link><guid>https://blog.youkuaiyun.com/tan2810/article/details/72899462</guid><author>tan2810</author><pubDate>Wed, 07 Jun 2017 14:32:39 +0800</pubDate><description><![CDATA[JAVA调用R语言
from:好代码网，http://www.haodaima.net/art/2522754

1 简介
R是统计计算的强大工具，而Java是做应用系统的主流语言，两者天然具有整合的需要。关于整合，一方面，R中可以创建JAVA对象调用JAVA方法，另一方面，JAVA中可以转换R的数据类型调用R的函数，互相取长补短。现在也有一个项目JGR，用JAVA做R的图形界面，可以实现]]></description><category></category></item><item><title><![CDATA[Deep Learning论文笔记之（五）CNN卷积神经网络代码理解]]></title><link>https://blog.youkuaiyun.com/tan2810/article/details/72868473</link><guid>https://blog.youkuaiyun.com/tan2810/article/details/72868473</guid><author>tan2810</author><pubDate>Mon, 05 Jun 2017 16:21:20 +0800</pubDate><description><![CDATA[Deep Learning论文笔记之（五）CNN卷积神经网络代码理解 
本文的代码来自githup的Deep
 Learning的toolbox，（在这里，先感谢该toolbox的作者）里面包含了很多Deep Learning方法的代码。是用Matlab编写的（另外，有人翻译成了C++和Python的版本了）。本文中我们主要解读下CNN的代码。详细的注释见代码。
       在读代码之前，]]></description><category></category></item><item><title><![CDATA[深度神经网络（DNN）模型与前向传播算法]]></title><link>https://blog.youkuaiyun.com/tan2810/article/details/72856503</link><guid>https://blog.youkuaiyun.com/tan2810/article/details/72856503</guid><author>tan2810</author><pubDate>Sun, 04 Jun 2017 00:54:40 +0800</pubDate><description><![CDATA[深度神经网络（Deep Neural Networks， 以下简称DNN）是深度学习的基础，而要理解DNN，首先我们要理解DNN模型，下面我们就对DNN的模型与前向传播算法做一个总结。

1. 从感知机到神经网络

　　　　在感知机原理小结中，我们介绍过感知机的模型，它是一个有若干输入和一个输出的模型，如下图:



　　　　输出和输入之间学习到一个线性关系，得到中间输出结果：
]]></description><category></category></item><item><title><![CDATA[深度神经网络(Deep Neural Network, DNN)]]></title><link>https://blog.youkuaiyun.com/tan2810/article/details/72856242</link><guid>https://blog.youkuaiyun.com/tan2810/article/details/72856242</guid><author>tan2810</author><pubDate>Sun, 04 Jun 2017 00:28:03 +0800</pubDate><description><![CDATA[线性模型通过特征间的现行组合来表达“结果-特征集合”之间的对应关系。由于线性模型的表达能力有限，在实践中，只能通过增加“特征计算”的复杂度来优化模型。比如，在广告CTR预估应用中，除了“标题长度、描述长度、位次、广告id，cookie“等这样的简单原始特征，还有大量的组合特征（比如”位次-cookie“ 表示用户对位次的偏好）。事实上，现在很多搜索引擎的广告系统用的都是Logistic Regre]]></description><category></category></item><item><title><![CDATA[机器学习——随机森林算法及原理]]></title><link>https://blog.youkuaiyun.com/tan2810/article/details/72844911</link><guid>https://blog.youkuaiyun.com/tan2810/article/details/72844911</guid><author>tan2810</author><pubDate>Fri, 02 Jun 2017 15:39:21 +0800</pubDate><description><![CDATA[1. 随机森林使用背景

1.1 随机森林定义

随机森林是一种比较新的机器学习模型。经典的机器学习模型是神经网络，有半个多世纪的历史了。神经网络预测精确，但是计算量很大。上世纪八十年代Breiman等人发明分类树的算法（Breiman
 et al. 1984），通过反复二分数据进行分类或回归，计算量大大降低。2001年Breiman把分类树组合成随机森林（Breiman 2001a）]]></description><category></category></item><item><title><![CDATA[信用评分之七--逻辑回归中的虚拟变量设置]]></title><link>https://blog.youkuaiyun.com/tan2810/article/details/71512462</link><guid>https://blog.youkuaiyun.com/tan2810/article/details/71512462</guid><author>tan2810</author><pubDate>Tue, 09 May 2017 22:12:12 +0800</pubDate><description><![CDATA[虚拟变量定义

  在实际建模过程中，被解释变量不但受定量变量影响，同时还受定性变量影响。例如需要考虑性别、民族、不同历史时期、季节差异、企业所有制性质不同等因素的影响。这些因素也应该包括在模型中。

  由于定性变量通常表示的是某种特征的有和无，所以量化方法可采用取值为1或0。这种变量称作虚拟变量，用D表示。虚拟变量应用于模型中，对其回归系数的估计与检验方法与定量变量相同。

虚拟变]]></description><category></category></item></channel></rss>