un_lock的博客

TCN 从“阿巴阿巴”到“巴拉巴拉”TCN的概念（干嘛来的！能解决什么问题）TCN的父母（由来）TCN的原理介绍上代码！1、TCN（时域卷积网络、时间卷积网络）是干嘛的，能干嘛主要应用方向：时序预测、概率预测、时间预测、交通预测2、TCN的由来ps：在了解TCN之前需要先对CNN和RNN有一定的了解。处理问题：是一种能够处理时间序列数据的网络结构，在特定条件下，效果优于传统的神经网络（RNN、CNN等）。3、TCN的原理介绍TCN 的网络结构一、TCN的网络结构

TCN 从“阿巴阿巴”到“巴拉巴拉”TCN的概念（干嘛来的！能解决什么问题）TCN的父母（由来）TCN的原理介绍上代码！1、TCN（时域卷积网络、时间卷积网络）是干嘛的，能干嘛主要应用方向：时序预测、概率预测、时间预测、交通预测2、TCN的由来ps：在了解TCN之前需要先对CNN和RNN有一定的了解。处理问题：是一种能够处理时间序列数据的网络结构，在特定条件下，效果优于传统的神经网络（RNN、CNN等）。3、TCN的原理介绍TCN 的网络结构一、TCN的网络结构

模糊综合评价-----层次分析法AHP

python 版本号：python3.6运行命令：python */reliabilityEvaluation/main.py(*代表放入的文件夹)python 库函数安装列表sys pandasdatetimescheduleconfigparsernumpycopyrandomcx_Oraclescipymathcollectionsmatplotlib

nn.BatchNorm2D() 详细解析paddle.nn.BatchNorm2D(num_features, momentum=0.9, epsilon=1e-05, weight_attr=None, bias_attr=None, data_format='NCHW', name=None):目的加速神经网络的收敛过程以及提高训练过程中的稳定性应用场景通常用于解决多层神经网络中间层的协方差偏移问题(用了准没错)行为方式使一批（Batch）feature map满足均值为0，方差为1的

class GaussianNB(_BaseNB): """ Gaussian Naive Bayes (GaussianNB) Can perform online updates to model parameters via :meth:`partial_fit`. For details on algorithm used to update feature means and variance online, see Stanford CS tech re

在列表的处理中，我们经常要统计大于某值的数量，每次都要写一段长长的代码，对于刷LeetCode的人来说是难以忍受的，那么有没有一种方法，可以直接不用循环，或者一行代码可以写完的循环，让我们不那么难受呢？一data = [4, 5, 6, 7, 1, 3, 7, 5]sum(i>5 for i in data)out：3二len([i for i in data if i >number])...

判断list为空，判断list元素全为None直接上代码，if all(i is None for i in data): print('all empty or None')判断list是否为空，不用判断 data = [None,None,None] 这种情况。if data: passif not data: pass这也适用于空列表.更一般de ,要测试列表是否仅包含 " 评估为False " 的内容,可以使用[any]：（None也被评估为False，）

1. pip安装2. pip升级3. jupyter notebook 安装4. jupyter notebook 运行5. jupyter notebook 默认路径更改- pip安装

PGL系列前置教程：图与图学习图（graph）近来正逐渐变成机器学习的一大核心领域，在开始PGL框架学习之前，我们先简单学习一下图论的基本概念，图论的经典算法，以及近些年来图学习的发展。本案例将包含以下内容：一. 图是什么？二. 如何存储图？三. 图的类型和性质四. 主要的图算法五. 图机器学习的发展一. 图是什么？首先我们导入需要的包import numpy as npimport randomimport networkx as nxfrom IPython.display

机器学习—缺失值如何处理使用可用特征的均值来填补缺失值使用特殊值来填补缺失值 eg：-1忽略有缺失值的样本使用相似像本的均值填补缺失值使用机器学习算法来预测缺失值

！ATTENTION：转载自：https://blog.youkuaiyun.com/dQCFKyQDXYm3F8rB0/article/details/82922386id：AI科技大本营转载自：https://blog.youkuaiyun.com/dQCFKyQDXYm3F8rB0/article/details/82922386id：AI科技大本营转载自：https://blog.youkuaiyun.com/dQCFKyQDXYm3F8rB0/article/details/82922386id：AI科技大本营重要的.

Linux面试知识点总结什么是linux？Linux继承了Unix以网络为核心的设计思想，是一个性能稳定的多用户网络操作系统Linux和Unix的区别：开源性Linux是一款开源操作系统，不需要付费，即可使用；Unix是一款对源码实行知识产权保护的传统商业软件，使用需要付费授权使用。跨平台性Linux操作系统具有良好的跨平台性能，可运行在多种硬件平台上；Unix操作系统跨平台性能较弱，大多需与硬件配套使用。可视化界面Linux除了进行命令行操作，还有窗体管理系统；Unix只是命令行下的系

SVM知识点总结SVM的原理是什么？​ SVM是一种二类分类模型。它的基本模型是在特征空间中寻找间隔最大化的分离超平面的线性分类器。（间隔最大是它有别于感知机）当训练样本线性可分时，通过**硬间隔[2]**最大化，学习一个线性分类器，即线性可分支持向量机；当训练数据近似线性可分时，引入松弛变量，通过**软间隔[3]**最大化，学习一个线性分类器，即线性支持向量机；当训练数据线性不可分时，通过使用核技巧及软间隔最大化，学习非线性支持向量机。SVM为什么采用间隔最大化？​ 当训练数据线性可分时

震惊邻居女神小美到了要出嫁的年纪，天天相亲遇见奇葩，所以小美准备拜托她的青梅竹马兼男闺蜜的单身男程序员你！！！！！帮她写个程序，提前筛选一下相亲对象你：？？？？？？？震惊某程序员竟然用k近邻【(K-NearestNeighbor)，俗称KNN，数据挖掘分类技术中最简单的方法之一。所谓K最近邻，就是K个最近的邻居的意思，说的是每个样本都可以用它最接近的K个邻近值来代表。近邻算法就是将数据集合中每一个记录进行分类的方法】给女神找相亲对象！开局先将优略，如不符合您的要求，可以提前结束阅读，避免浪费您

一篇blog入门pandaspandas之于python就犹如屠龙刀之于江湖，没有pandas的python之路注定是艰难的，而pandas的知识点兼具复杂和多样这篇文章将带领我们入门pandas，让我们学会基础的数据处理。话不多说，上代码import pandas as pdimport numpy as npobj = pd.Series([4,7,-5,3])objout:0 41 72 -53 3dtype: int64就像numpy的array

分类预测&聚类分类和聚类的不同，点击进行学习。分类概念建立模型，描述预定的数据类集或概念集；之后使用模型进行分类。预测构造和使用模型评估无标号样本类，或评估给定样本可能具有的属性值或值区间。有监督学习(分类)训练集是带有类标签的新的数据是基于训练集进行分类的无监督学习(聚类)训练集是没有类标签的提供一组属性，然后寻找出训练集中存在类别或者聚集。关于分类和预测的问题数据准备数据清洗：对数据进行预处理，消除噪音和丢失值相关性分析(属性选择)：去掉不相关或者冗余

数据预处理与关联数据质量的含义正确性一致性完整性可靠性在建立数据仓库的时候，由于各种原因造成里数据错误的不可避免性，所以便需要对数据进行预处理。形式数据清理缺失值：忽略、人工填写、全局变量填充、属性平均值填充、最可能值填充、所有同类样本平均值填充。噪声数据：分箱(按箱平均值、按箱中指、按箱边界)、聚类、回归、计算机和人工检查结合数据集成实体识别属性冗余数据重复数据值冲突的检测与处理数据交换平滑聚类数据概化规范化属性构造数据归约关联管理

数据挖掘和数据仓库数据挖掘概念基于AI、机器学习、统计学等技术，高度自动化的分析原有数据，进行归纳推理，从数据仓库中提取可信的、新颖的、有效的、人们感兴趣的、别人能理解的知识的高级处理过程。模式分类：预测性模式或描述性模式实际应用中可细分为：关联模式、分类模式、聚类模式、序列模式目的提高市场的决策能力，检测异常模式，在过去经验的基础上预言未来的趋势。在数据库中找规律步骤：数据准备数据集成数据选择预分析挖掘过程：数据的选择：选择相关的数据数据的精华 ：消除噪音、

Difference between 分类and聚类A:分类聚类是否监督有监督学习无监督学习任务find模型,数据标签一一对应相似的数据聚在一起数学类比已知x,y求f已知x,求f分类是机器学习中的一项非常重要的任务，利用分类技术可以从数据集中提取描述数据类的一个函数或模型（也常称为分类器），并把数据集中的每个对象归结到某个已知的对象类中。从某种意义上讲数据挖掘的目标就是根据样本数据形成的模型并对源数据进行分类，进而也可以预测未来数据的归类。分类和

图像识别实战(四)------动态图&模型训练动态图动态图对应的是命令式编程：可以不用事先定义神经网络的结构，将神经网络的定义和执行同步进行与之相反的便是静态图，静态图和声明式编程相关：需要事先定义好神经网络的结构，然后再执行整个图结构。对比如果想要实现如下功能。如果inp1各元素之和小于inp2各元素之和，那么执行inp1与 inp2各元素对应相加。如果inp1各元素之和大于等于inp2各元素之和，那么执行inp1与 inp2各元素对应相减。使用动态图进行训练im

图像识别实战(五)----模型校验&预测前面我们已经完成了数据的处理，模型的建立。万事俱备，加油！之前我们将数据划分为，训练集和测试集，已经使用过训练集进行训练数据了。First，来用测试集测试一下模型的准确率吧！模型训练with fluid.dygraph.guard(): accs = [] model_dict, _ = fluid.load_dygraph('MyDNN') model = MyDNN() model.load_dict(model_

Paddle 图像识别实战本次项目以手势识别为例，希望大家多多交流，fork，互相学习，相互进步数据集用手势分别表示0-9，本别用10个文件夹表示每种手势都有200+张图片，分别对应存储在这十个文件夹中download提取码：edrz背景神经网络是模拟人类的神经元所建立的一门学科，而我们如何建立模仿人类大脑的模型呢？神经网络又是如何模仿人类的视觉系统进行图像识别呢？图像识别的目的而我们本次实验的目的：通过这2000+数据进行训练，最后得出模型，可以具有识别手势的能力系列目录占位

图像识别实战(三)----DNN讲解及代码实现DNN-----Deep Neural Networks------深度神经网络代码实现class MyDNN(fluid.dygraph.Layer): def __init__(self): super(MyDNN,self).__init__() self.hidden1 = Linear(100,65,act='relu') self.hidden2 = Linear(65,65,act='r

图像识别实战(二)----读取数据reader从本地、网络、分布式文件系统HDFS等读取文件，同时也可随机生成数据，并返回一个或多个数据项。reader的实质是一个迭代器(yield)，每次返回一个数据创建readerreader = paddle.dataset.uci_housing.train()但是很多数据集非常规范，即所有相同的标签存在聚集效应，这就造成了，模型训练某一个标签的时候要不就全部训练，要不就一点也训练不了，为了解决这一问题就有了shuffle_reader()&b

图像识别实战(一)----如何根据已有图片生成测试和训练信息并保存到文件提前知道本实验为手势识别，具体图片可以参考下图，经过训练我们得知，标签为5.总体目标Dataset文件夹下面有0-9十个文件，其中有几十张代表文件夹数值的手势图片。我们的目标便是将Dataset文件夹下面的图片进行训练，最后得出模型进行预测。本次目标将Dataset下面的所有图片的路径及其标签保存到两个文件train.list&test.list中，便于模型训练时调用。1、导入库import osimpor

K-means 聚类（k聚类）提前知道：簇分类中的类所以k聚类，就是发现给定数据集中k个簇的算法。(k是用户定义的)基础的聚类算法**k-means:**它试图发现k个不同的簇，并且每个簇的中心采用簇中所含值得均值计算而成。**层次聚类：**它试图再不同层次对数据集进行划分，从而形成树形的聚类结构**DBSCAN：**基于密度聚类算法，簇的个数由算法自动地确定。低密度区域中的点被视...

K-means 聚类（k聚类）提前知道：簇分类中的类所以k聚类，就是发现给定数据集中k个簇的算法。(k是用户定义的)作用(应用领域):分类。有无监督无监督学习步骤：确定k值，即分类的类别数根据k值，随机选取k个点，作为中心点。分别计算其余各个点到着k个点的距离。对于每一个非中心点，找到离它最近的中心点，并归为一个簇。计算每个簇中所有节点的平均值，作为新的中心点，并重复上述...