<?xml version="1.0" encoding="utf-8" ?><rss version="2.0"><channel><title><![CDATA[goForIt]]></title><description><![CDATA[Coding And Thinking]]></description><link>https://blog.youkuaiyun.com/u014530702</link><language>zh-cn</language><generator>https://blog.youkuaiyun.com/</generator><copyright><![CDATA[Copyright &copy; u014530702]]></copyright><item><title><![CDATA[喜提北极代码库贡献者勋章(Arctic Code Vault Contributor)]]></title><link>https://blog.youkuaiyun.com/u014530702/article/details/108036871</link><guid>https://blog.youkuaiyun.com/u014530702/article/details/108036871</guid><author>u014530702</author><pubDate>Sun, 16 Aug 2020 15:19:59 +0800</pubDate><description><![CDATA[哈哈，好久不登github。
突然发现我的代码要被存在北极1000年有效期。
有意思，项目地址：https://github.com/JoyceCoder/Data-Mining-Python

]]></description><category></category></item><item><title><![CDATA[Keras中的LSTMcell 和LSTM 有什么区别？]]></title><link>https://blog.youkuaiyun.com/u014530702/article/details/97167356</link><guid>https://blog.youkuaiyun.com/u014530702/article/details/97167356</guid><author>u014530702</author><pubDate>Wed, 24 Jul 2019 21:13:28 +0800</pubDate><description><![CDATA[在keras构建深度学习模型时，在循环层中存在LSTMcell和LSTM两个API。该如何区分呢？
1 首先看源码
LSTMcell的源码：
class LSTMCell(Layer):
	def __init__(self):                 
	 	*****pass*****

    def build(self, input_shape):
 		*****pass***...]]></description><category></category></item><item><title><![CDATA[正确理解LSTM在keras API中的stateful参数]]></title><link>https://blog.youkuaiyun.com/u014530702/article/details/97006632</link><guid>https://blog.youkuaiyun.com/u014530702/article/details/97006632</guid><author>u014530702</author><pubDate>Tue, 23 Jul 2019 16:59:20 +0800</pubDate><description><![CDATA[理解LSTM中的return_sequence和return_state看这里。解释的很详细：
理解LSTM在keras API中参数return_sequences和return_state
推荐英语原文Stateful LSTM in Keras
文中使用三个问题来解释了这个参数：


给定了一个长序列（eg 时间序列），然后把它分为一些更小的子序列来构造输入矩阵X，LSTM是否能在序列之间找...]]></description><category></category></item><item><title><![CDATA[2019美团机器学习/数据挖掘算法实习生笔试 编程题修改矩阵]]></title><link>https://blog.youkuaiyun.com/u014530702/article/details/89488547</link><guid>https://blog.youkuaiyun.com/u014530702/article/details/89488547</guid><author>u014530702</author><pubDate>Wed, 24 Apr 2019 11:01:59 +0800</pubDate><description><![CDATA[主要用于交流思考
1.修改矩阵
时间限制：C/C++语言 1000MS；其他语言 3000MS
内存限制：C/C++语言 65536KB；其他语言 589824KB题目描述：
我们称一个矩阵为黑白矩阵，当且仅当对于该矩阵中每一个位置如(i,j),其上下左右四个方向的数字相等，即(i-1,j),(i+1,j),(i,j+1),(i,j-1)四个位置上的数字两两相等且均不等于(i,j)位置上的数字。(...]]></description><category></category></item><item><title><![CDATA[centos 安装Deepo记录]]></title><link>https://blog.youkuaiyun.com/u014530702/article/details/86584041</link><guid>https://blog.youkuaiyun.com/u014530702/article/details/86584041</guid><author>u014530702</author><pubDate>Mon, 21 Jan 2019 20:44:48 +0800</pubDate><description><![CDATA[centos 安装Deepo记录
Deepo官方文档[https://github.com/ufoym/deepo?tdsourcetag=s_pctim_aiomsg]
背景检查
1.系统版本
此次安装均根据官方文档进行安装。
Get Docker CE for Centos[https://docs.docker.com/install/linux/docker-ce/centos/]

Pr...]]></description><category></category></item><item><title><![CDATA[win10 mysql8.0 Navicat安装和连接问题]]></title><link>https://blog.youkuaiyun.com/u014530702/article/details/86479873</link><guid>https://blog.youkuaiyun.com/u014530702/article/details/86479873</guid><author>u014530702</author><pubDate>Mon, 14 Jan 2019 16:42:42 +0800</pubDate><description><![CDATA[亲测有效：
ERROR 1045 (28000): Access denied for user 'ODBC'@'localhost' (using password: NO) 
ERROR 1045 (28000): Access denied for user 'root'@'localhost' (using passwor: YES)
ERROR 1045 (28000): Access ...]]></description><category></category></item><item><title><![CDATA[《数据挖掘概念与技术》第九章 分类：高级方法]]></title><link>https://blog.youkuaiyun.com/u014530702/article/details/86477899</link><guid>https://blog.youkuaiyun.com/u014530702/article/details/86477899</guid><author>u014530702</author><pubDate>Mon, 14 Jan 2019 15:28:35 +0800</pubDate><description><![CDATA[本章继上一章中介绍的基本分类方法后，又介绍了分类的高级方法：
贝叶斯网络
在贝叶斯网络中，不强调变量之间的独立性。承认变量或属性间的依赖关系。
在给定的网络拓扑图中，给定概念。
一条弧由节点Y到Z，则Y是Z的双亲或直接前驱，而Z是Y的后代。
给定其双亲，每个变量条件独立于图中它的非后代。
这也说明对于每个变量，应考虑她的双亲节点的所有可能取值的组合情况下，变量取值的概率。
即P(Y∣Parents...]]></description><category></category></item><item><title><![CDATA[jupyer虚拟机远程访问配置]]></title><link>https://blog.youkuaiyun.com/u014530702/article/details/86246589</link><guid>https://blog.youkuaiyun.com/u014530702/article/details/86246589</guid><author>u014530702</author><pubDate>Thu, 10 Jan 2019 18:22:52 +0800</pubDate><description><![CDATA[由于将jupyter装在了服务器，想在本地访问jupyter的kernel。
不知道是不是必须要在同一网段，由于学校访问问题，目前是必须确认在同一网段下。
开始配置：

生成配置文件
(我这里是使用root用户进行配置的，但是建议最好使用普通用户）

[root@localhost Python-3.6.5]# jupyter notebook --generate-config
Writing ...]]></description><category></category></item><item><title><![CDATA[jupyter安装常见问题]]></title><link>https://blog.youkuaiyun.com/u014530702/article/details/86243442</link><guid>https://blog.youkuaiyun.com/u014530702/article/details/86243442</guid><author>u014530702</author><pubDate>Thu, 10 Jan 2019 17:31:08 +0800</pubDate><description><![CDATA[在ubuntu和centos上都安装过jupyter，用anaconda装过也单独装过。
踩过的坑太多了。。。。
常出现问题：

No module named ‘pysqlite2’

如果你的python版本是3.x，可以直接进入到该文件，将该行改成：
import sqlite3
你会看到原来的那一句其实是由于你本身的sqlite3导入不成功才运行的。
此时会出现新的问题

No modul...]]></description><category></category></item><item><title><![CDATA[《数据挖掘概念与技术》第八章 分类：基本概念]]></title><link>https://blog.youkuaiyun.com/u014530702/article/details/86223093</link><guid>https://blog.youkuaiyun.com/u014530702/article/details/86223093</guid><author>u014530702</author><pubDate>Thu, 10 Jan 2019 11:58:01 +0800</pubDate><description><![CDATA[分类
本章中讲到了三种分类方法：
决策树分类
在决策树分类中详细介绍了三种决策树的属性选择度量：
信息增益
分区D为标记类元组的训练集。
D的熵，即所需要的期望信息为：

按某属性A划分D，则该期望值为：

属性A的信息增益值为：

ID3采用信息增益。
信息增益度量偏向于具有许多输出的测试，即偏向具有大量值的属性。
增益率
但若每个属性的元组个数为1，此时的信息增益无法对属性的划分提供有效信息。...]]></description><category></category></item><item><title><![CDATA[基于基站定位数据的商圈分析]]></title><link>https://blog.youkuaiyun.com/u014530702/article/details/86062398</link><guid>https://blog.youkuaiyun.com/u014530702/article/details/86062398</guid><author>u014530702</author><pubDate>Tue, 08 Jan 2019 09:39:28 +0800</pubDate><description><![CDATA[基于基站定位数据的商圈分析
目录基于基站定位数据的商圈分析实验介绍**实验背景****实验目标**实验分析方法与过程**分析流程**数据抽取分析**数据抽取****数据分析**数据预处理数据规约数据变换模型构建——层次聚类算法**层次聚类**模型分析
由于本书中很多没有给出最原始的数据。多是处理过程中的数据，失去了很多做数据特征工程的训练。
以后会更加注重kaggle比赛上的数据特征分析。
实验介...]]></description><category></category></item><item><title><![CDATA[《数据挖掘概念与技术》第七章 高级模式挖掘]]></title><link>https://blog.youkuaiyun.com/u014530702/article/details/85992239</link><guid>https://blog.youkuaiyun.com/u014530702/article/details/85992239</guid><author>u014530702</author><pubDate>Mon, 07 Jan 2019 11:44:27 +0800</pubDate><description><![CDATA[频繁模式挖掘是数据挖掘中频繁项挖掘的基本目标。
另外包括闭频繁项模式和极大频繁项模式。
除了挖掘基本的频繁项集和关联外，还可以挖掘高级的模式形式，本章中分别介绍了：

多层关联
多维关联
量化关联规则
稀有模式
负模式
高维模式
模式压缩和近似模式

多层关联
多层关联涉及多个抽象层中的数据。例如戴尔电脑可以抽象到电脑，而索尼耳机可以抽象到耳机。这些可以使用多个最小支持度阈值挖掘。
对于多层关联模...]]></description><category></category></item><item><title><![CDATA[10分钟学习pandas]]></title><link>https://blog.youkuaiyun.com/u014530702/article/details/85764873</link><guid>https://blog.youkuaiyun.com/u014530702/article/details/85764873</guid><author>u014530702</author><pubDate>Fri, 04 Jan 2019 11:36:04 +0800</pubDate><description><![CDATA[import pandas as pd
import numpy as np
import matplotlib.pyplot as plt

s = pd.Series([1,3,5,np.nan,6,8])

s


0    1.0
1    3.0
2    5.0
3    NaN
4    6.0
5    8.0
dtype: float64

len(s)

6

s.descri...]]></description><category></category></item><item><title><![CDATA[《数据挖掘概念与技术》 第6章 挖掘频繁模式]]></title><link>https://blog.youkuaiyun.com/u014530702/article/details/85696319</link><guid>https://blog.youkuaiyun.com/u014530702/article/details/85696319</guid><author>u014530702</author><pubDate>Thu, 03 Jan 2019 15:58:01 +0800</pubDate><description><![CDATA[挖掘频繁模式、关联和相关性
目录挖掘频繁模式、关联和相关性Apriori算法**数据挖掘与机器学习****Apriori算法**发现频繁项集发现关联规则FP-Growth算法**1.FP-Growth算法****2.FP树**构建FP树数据结构构建FP树**1.抽取条件模式基****2.创建条件FP树**闭频繁项集和极大频繁项集模式评估度量方法
Apriori算法
Apriori算法是一种用于关联...]]></description><category></category></item><item><title><![CDATA[《数据挖掘概念与技术》书记 3]]></title><link>https://blog.youkuaiyun.com/u014530702/article/details/85125588</link><guid>https://blog.youkuaiyun.com/u014530702/article/details/85125588</guid><author>u014530702</author><pubDate>Thu, 20 Dec 2018 16:17:31 +0800</pubDate><description><![CDATA[数据预处理
欢迎来到现实世界！
数据预处理技术：

数据清理：用来清除数据中的噪声，纠正不一致。
数据集成：将数据由多个数据源合并成一个一致的数据存储，如数据仓库。
数据规约：通过如聚集、删除冗余特征或聚类来降低数据的规模。
数据变换：可以用来把数据压缩到较小的区间。

这些技术不是互相排斥的，可以一起使用。数据清理可能涉及纠正错误数据的变换。
数据质量
数据质量包括准确性、完整性、一致性、时效性...]]></description><category></category></item><item><title><![CDATA[《数据挖掘概念与技术》书记2]]></title><link>https://blog.youkuaiyun.com/u014530702/article/details/85098715</link><guid>https://blog.youkuaiyun.com/u014530702/article/details/85098715</guid><author>u014530702</author><pubDate>Wed, 19 Dec 2018 15:42:59 +0800</pubDate><description><![CDATA[认识数据
目标：熟悉数据
将解决什么问题？

数据由什么类型的属性或字段组成？
每个属性具有何种类型的数据值？
哪些属性是离散的，哪些是连续的？
数据看上去如何？
值如何分布？
有什么方法可以可视化地观察数据？
是否可以看出离群点？
可以度量某些数据对象与其他数据对象之间的相似性？

数据对象与属性类型
数据对象
数据集由数据对象组成，一个数据对象代表一个实体。比如在销售数据库中，对象可以是顾客、...]]></description><category></category></item><item><title><![CDATA[《数据挖掘概念与技术》书记 1]]></title><link>https://blog.youkuaiyun.com/u014530702/article/details/85069014</link><guid>https://blog.youkuaiyun.com/u014530702/article/details/85069014</guid><author>u014530702</author><pubDate>Tue, 18 Dec 2018 16:38:04 +0800</pubDate><description><![CDATA[《数据挖掘概念与技术》书记
有感知识点：

数据挖掘的进化过程：
数据库和信息技术-&amp;gt;数据库系统-&amp;gt;高级数据库系统；高级数据分析的数据仓库、数据挖掘；基于web的数据库-&amp;gt;数据仓库
数据仓库：一种多个异构数据在单个站点以统一的模式组织的存储，以支持管理决策。
数据仓库技术包括数据清理、数据集成和联机分析处理（OLAP）。OLAP是一种分析技术，具有汇总、合并和聚集以及不同的角度观...]]></description><category></category></item><item><title><![CDATA[目前可用的mnist_dataset下载]]></title><link>https://blog.youkuaiyun.com/u014530702/article/details/84979338</link><guid>https://blog.youkuaiyun.com/u014530702/article/details/84979338</guid><author>u014530702</author><pubDate>Wed, 12 Dec 2018 20:58:48 +0800</pubDate><description><![CDATA[[in]
import tensorflow as tf

# Import MINST data
tf.logging.set_verbosity(tf.logging.ERROR)#不显示错误信息
from tensorflow.examples.tutorials.mnist import input_data
mnist = input_data.read_data_sets(&amp;amp;amp;quot;/tmp/...]]></description><category></category></item><item><title><![CDATA[[转]20行代码实现语音识别系统]]></title><link>https://blog.youkuaiyun.com/u014530702/article/details/83513355</link><guid>https://blog.youkuaiyun.com/u014530702/article/details/83513355</guid><author>u014530702</author><pubDate>Mon, 29 Oct 2018 21:13:54 +0800</pubDate><description><![CDATA[参考blog中文翻译：https://blog.youkuaiyun.com/u014365862/article/details/54889646?utm_source=blogxgwz2
参考微博视频：
http://weibo.com/p/2304444948c16e85c39a07240b193cd5509574
参考github代码：https://github.com/llSourcell/ten...]]></description><category></category></item><item><title><![CDATA[应用系统负载分析与磁盘容量预测]]></title><link>https://blog.youkuaiyun.com/u014530702/article/details/82928308</link><guid>https://blog.youkuaiyun.com/u014530702/article/details/82928308</guid><author>u014530702</author><pubDate>Wed, 03 Oct 2018 20:12:36 +0800</pubDate><description><![CDATA[参考：
https://blog.youkuaiyun.com/qq_40006058/article/details/80627357
https://blog.youkuaiyun.com/sinat_33519513/article/details/79036958
https://blog.youkuaiyun.com/huang1024rui/article/details/51375990
https://blog.cs...]]></description><category></category></item></channel></rss>