voidfaceless的博客

读tf.estimator.Estimator源码之train方法先贴源码： def train(self, input_fn, hooks=None, steps=None, max_steps=None, saving_listeners=None): """T...

tf.random_normal与tf.truncated_normal的区别定义The generated values follow a normal distribution with specified mean and standard deviation, except that values whose magnitude is more than 2 standard de...

8.13号面试，分群面和技术面。先占个坑，有空写。我是报的银联(上海)的算法岗，面试地点在合肥，时间是2018年8月13日上午10点，要求是提前半小时到达现场签到，要求带上身份证、学生证原件，一寸彩照一张，还有以下资料的扫描文件：身份证、学生证、本科成绩单、研究生成绩单、四六级证书、本科学位证、本科毕业证等。大概九点20的样子到了面试地点，简单签到以后，领了个表下去填了。不得不惊叹一句，这个表...

8.12号面试的，分技术面和综合面，先占个坑，有空写

2018-07-23 申请了海康威视的“大数据算法工程师（数据挖掘\知识图谱\机器学习）研究院(J11434)”的岗位，上周五，也就是8.3号的时候通过电话进行了一次简短的面试，现将面试情况总结如下。面试官首先介绍自己是海康威视研究院杭州方面的，问我有没有时间进行一次简短的电话面试，当然有时间了、、、找了个无人的屋子，拿了笔纸就开始面试了。面试官很直接，没有让自我介绍，没有问简历上的项目情...

昨天也是就2018年7月18日晚上进行了一次阿里巴巴内推的电话面试，时间大概是19:00-20:20，目前还是在等待面试结果的状态。现把面试的经过以及感想总结一下。首先，17号的时候打电话告诉我他们是阿里妈妈品牌事业部的，约了一下面试时间，说大概50分钟的面试。18号晚上的面试分为三个部分，两个面试官，主要是一个人在提问，第一部分是聊项目、简历，也就是他问我的环节，第二个部分是在线编程，第...

引用两篇博客：配合着看，十分好，应该能看懂博客1：https://www.cnblogs.com/xlingbai/p/8274250.html博客2：https://blog.youkuaiyun.com/guoxinian/article/details/79243307再次感谢上面的博客作者。...

最近参加了科大讯飞的提前批内推，昨天二面也就是终面结束了，现把自己的感悟总结如下：一面：时间2018.6.26上午10:00-11:20总结起来一面说的还是挺多的，两个面试官，人都很好，一个多小时的面试，不过大多是简历上的东西。首先是自我介绍，基本信息没有讲太多，就说了自己的基本情况，老家和现居地，还有平时的爱好等等，我这样的原因很简单，面试官不是听你的自传的，没有必要把你从出生开...

昨天下午面了阿里巴巴大规模图计算小组。先说结论，应该是没戏了。刚开始是聊项目，让我介绍了一个比较有趣的项目，之后又谈了实际的业务，还聊了关于图计算、个性化推荐的一些，问了我树的深度对效果有什么影响？问了GBDT既然是很多树，为什么会过拟合？问了模型优化有哪些途径？问了特征有哪些提取的思路？问了多模型有哪些融合的方式？问了我调参有哪些途径？之后是让我写代码，说实话，这才是最打击我的地方，...

xgboost是一个非常好的模型工具，但是当遇到数据量比较大的时候迭代的速度会很慢（博主打比赛的时候简直想砸电脑啊），因此就找了点资料配置了GPU加速。这里面遇到很多坑。1.使用官网的配置方案反正这个我从来没成功了，试了n次。我这里就不写了，贴出来链接：http://xgboost.readthedocs.io/en/latest/build.html#building-with-

机器学习中的一个常见模式是使用数据的非线性函数训练的线性模型。 这种方法保持了线性方法的一般快速的性能，同时允许它们适应更宽范围的数据。例如，可以通过从系数构建多项式特征来扩展简单的线性回归。 在标准线性回归情况下，对于二维数据，您可能有一个类似于下面的模型：如果我们想要将抛物面拟合到数据而不是平面，我们可以组合二阶多项式中的特征，使得模型看起来像这样：

Windows10 64Bit！完美！配置Theano并实现GPU加速并解决（（CNMeM is disable，CuDNN not available））

sklearn.linear_model.LinearRegressionclass sklearn.linear_model.LinearRegression(fit_intercept=True, normalize=False, copy_X=True, n_jobs=1)普通最小二乘线性回归参数：fit_intercept:   布尔型，默认为tru

sklearn.linear_model.Ridgeclass sklearn.linear_model.Ridge(alpha=1.0, fit_intercept=True, normalize=False, copy_X=True, max_iter=None, tol=0.001, solver='auto', random_state=None)带有l2正则化的线性最小二乘。

普通最小二乘法线性回归用来拟合带有系数的线性模型，目的是最小化数据集中的原始数据与通过线性近似预测的数据之间的平方和的残差。 数学上它解决了形式的问题：线性回归将采用其fit方法拟合数组X，y，并将线性模型的系数w存储在其coef_成员中：>>> from sklearn import linear_model>>> reg = linear_model.Li

章节内容在本节中，我们介绍我们在scikit-learn中使用的机器学习词汇，并给出一个简单的学习示例。机器学习：问题设置一般来说，学习问题考虑一组n个数据样本，然后尝试预测未知数据的属性。 如果每个样本多于单个数字，并且例如多维条目（也称为多变量数据），则称其具有若干属性或特征。我们可以在几个大类中分离学习问题：监督学习，其中数据带有我们想要预测的附加属性