<?xml version="1.0" encoding="utf-8" ?><rss version="2.0"><channel><title><![CDATA[wanglele1的博客]]></title><description><![CDATA[]]></description><link>https://blog.youkuaiyun.com/wanglele1</link><language>zh-cn</language><generator>https://blog.youkuaiyun.com/</generator><copyright><![CDATA[Copyright &copy; wanglele1]]></copyright><item><title><![CDATA[numpy中np.random.rand()与np.random.randn()与range()与np.arange()]]></title><link>https://blog.youkuaiyun.com/wanglele1/article/details/101285956</link><guid>https://blog.youkuaiyun.com/wanglele1/article/details/101285956</guid><author>wanglele1</author><pubDate>Tue, 24 Sep 2019 15:08:19 +0800</pubDate><description><![CDATA[1，np.random.rand()
通过本函数可以返回一个或一组服从“0~1”均匀分布的随机样本值。随机样本取值范围是[0,1)，不包括1。
2,np.random.randn()函数
通过本函数可以返回一个或一组服从标准正态分布的随机样本值。

3,range()与np.arange()区别
range()返回的是range object，而np.nrange()返回的是numpy.adarr...]]></description><category></category></item><item><title><![CDATA[遇到pandas不能读取csv文件时]]></title><link>https://blog.youkuaiyun.com/wanglele1/article/details/100812294</link><guid>https://blog.youkuaiyun.com/wanglele1/article/details/100812294</guid><author>wanglele1</author><pubDate>Fri, 13 Sep 2019 22:09:54 +0800</pubDate><description><![CDATA[data1_guokong = pd.read_csv(r'C:\Users\Administrator\Desktop\weather_data\附件1(2).csv',encoding = 'gb18030')



]]></description><category></category></item><item><title><![CDATA[数据处理与特征工程]]></title><link>https://blog.youkuaiyun.com/wanglele1/article/details/100136830</link><guid>https://blog.youkuaiyun.com/wanglele1/article/details/100136830</guid><author>wanglele1</author><pubDate>Thu, 29 Aug 2019 14:30:40 +0800</pubDate><description><![CDATA[**
数据挖掘的五大流程
**
1.数据获取
2. 数据预处理
数据预处理是从数据中检测，纠正或删除损坏，不准确或不适用于模型的记录的过程
可能面对的问题有：数据类型不同，比如有的是文字，有的是数字，有的含时间序列，有的连续，有的间断。
也可能，数据的质量不行，有噪声，有异常，有缺失，数据出错，量纲不一，有重复，数据是偏态，数据量太大或太小
数据预处理的目的：让数据适应模型，匹配模型的需求
3. ...]]></description><category></category></item><item><title><![CDATA[随机森林在乳腺癌数据上的调查]]></title><link>https://blog.youkuaiyun.com/wanglele1/article/details/99879475</link><guid>https://blog.youkuaiyun.com/wanglele1/article/details/99879475</guid><author>wanglele1</author><pubDate>Tue, 20 Aug 2019 20:38:14 +0800</pubDate><description><![CDATA[本次数据来源于kaggle上的自带数据，结构相对清晰简单，所有数据已经特征化
1，先导入需要的库
from sklearn.datasets import load_breast_cancer
from sklearn.ensemble import RandomForestClassifier
from sklearn.model_selection import GridSearchCV
fr...]]></description><category></category></item><item><title><![CDATA[numpy切片]]></title><link>https://blog.youkuaiyun.com/wanglele1/article/details/98743765</link><guid>https://blog.youkuaiyun.com/wanglele1/article/details/98743765</guid><author>wanglele1</author><pubDate>Wed, 07 Aug 2019 14:02:33 +0800</pubDate><description><![CDATA[]]></description><category></category></item><item><title><![CDATA[卷积神经网络（四）应用]]></title><link>https://blog.youkuaiyun.com/wanglele1/article/details/98473427</link><guid>https://blog.youkuaiyun.com/wanglele1/article/details/98473427</guid><author>wanglele1</author><pubDate>Sun, 04 Aug 2019 22:55:46 +0800</pubDate><description><![CDATA[应用简介
首先应用于机器视觉/图像分类问题， 后来用于自然语言处理、 图形学等领域
只要是具有空间结构的数据， 都可以用卷积神经网络进行处理
卷积神经网络在解决很多实际问题时， 设计出了专门的网络结构和损失函数
理解的关键点：
网络结构。 即网络由哪些层组成， 各个层的作用是什么， 它们的输入数据是什么， 输出数据是什么
训练目标。 即损失函数， 这直接取决于要解决的问题
人脸检测
在CNN用于人...]]></description><category></category></item><item><title><![CDATA[卷积神经网络（三）面临的挑战与改进措施]]></title><link>https://blog.youkuaiyun.com/wanglele1/article/details/98470647</link><guid>https://blog.youkuaiyun.com/wanglele1/article/details/98470647</guid><author>wanglele1</author><pubDate>Sun, 04 Aug 2019 16:08:20 +0800</pubDate><description><![CDATA[**
一，面临的挑战
**
1，梯度消失问题
2，退化问题


]]></description><category></category></item><item><title><![CDATA[卷积神经网络（二）]]></title><link>https://blog.youkuaiyun.com/wanglele1/article/details/98469556</link><guid>https://blog.youkuaiyun.com/wanglele1/article/details/98469556</guid><author>wanglele1</author><pubDate>Sun, 04 Aug 2019 16:02:30 +0800</pubDate><description><![CDATA[**
一，四种经典网络结构
**
LeNet网络
AlexNet网络
VGG网络
GoogLeNet网络
用 1*1卷积进行降维
不会改变图像的高度和宽度， 只会改变通道数
**
二，反卷积运算
卷积层可视化
用反卷积进行卷积层可视化：
将卷积网络学习到的特征图像左乘**得到这些特征图像的卷积核的转置矩阵， 将图像从特征图像空间转换到原始的像素空间， 以发现是哪些像素激活了特定的特征图像


...]]></description><category></category></item><item><title><![CDATA[卷积神经网络（一）]]></title><link>https://blog.youkuaiyun.com/wanglele1/article/details/98363571</link><guid>https://blog.youkuaiyun.com/wanglele1/article/details/98363571</guid><author>wanglele1</author><pubDate>Sat, 03 Aug 2019 18:54:10 +0800</pubDate><description><![CDATA[**
卷积网络结构
**
一，卷积神经网络的核心思想
1，卷积神经网络可以看成是对视觉神经系统机制的简单模仿
2，由卷积层， 池化层， 全连接层构成， 通过多个卷积、 池化层提取图像在各个尺度上的特征
3，每个卷积层包含多个卷积核， 用这些卷积核从左向右、 从上往下依次扫描整个图像， 得到称为特征图（featuremap） 的输出数据
3，网络前面的卷积层捕捉图像局部、 细节信息， 有小的感受野，...]]></description><category></category></item><item><title><![CDATA[决策树]]></title><link>https://blog.youkuaiyun.com/wanglele1/article/details/98315610</link><guid>https://blog.youkuaiyun.com/wanglele1/article/details/98315610</guid><author>wanglele1</author><pubDate>Sat, 03 Aug 2019 11:18:19 +0800</pubDate><description><![CDATA[一，决策树算法的核心是要解决两个问题：
1）如何从数据表中找出最佳节点和最佳分枝？
2）如何让决策树停止生长，防止过拟合？
**
sklearn中的决策树

二，sklearn的基本建模流程
重要参数
一，criterion
1，为了要将表格转化为一棵树，决策树需要找出最佳节点和最佳的分枝方法，对分类树来说，衡量这个“最佳”的指标叫做“不纯度”。
2，通常来说，不纯度越低，决策树对训练集的拟合越好...]]></description><category></category></item><item><title><![CDATA[oracle工作原理]]></title><link>https://blog.youkuaiyun.com/wanglele1/article/details/98206945</link><guid>https://blog.youkuaiyun.com/wanglele1/article/details/98206945</guid><author>wanglele1</author><pubDate>Fri, 02 Aug 2019 15:29:10 +0800</pubDate><description><![CDATA[1，在运行Oracle的计算机上启动实例
2，运行应用的计算机在用户进程中运行应用，客户应用使用Oracle网络服务驱动程序建立同服务器的链接
3，服务器运行Oracle网络服务驱动程序，检查来自应用的连接请求，对用户进程创建适当的服务器进程。
4，用户运行一个SQL语句，提交事务。
5，服务器进程接收语句，检查包含类似SQL语句的任何共享SQL区。如果发现共享SQL区，服务器进程检查用户的访问权...]]></description><category></category></item><item><title><![CDATA[一，Oracle体系结构]]></title><link>https://blog.youkuaiyun.com/wanglele1/article/details/97636178</link><guid>https://blog.youkuaiyun.com/wanglele1/article/details/97636178</guid><author>wanglele1</author><pubDate>Mon, 29 Jul 2019 13:16:29 +0800</pubDate><description><![CDATA[Oracle Server = 实例（instance）+数据库(database)。
实例是由一组内存结构（SGA system global area ）+后台进程+PGA
数据库是由一组OS文件组成，它由数据文件、参数文件、控制文件、重做日志文件组成。
SGA是所有服务器进程和后台进程共享的内存区域，当instance启动时创建该区域。它在内在区域中有且只有一个。它由数据高速缓存（data...]]></description><category></category></item><item><title><![CDATA[java——Collection、泛型]]></title><link>https://blog.youkuaiyun.com/wanglele1/article/details/90349654</link><guid>https://blog.youkuaiyun.com/wanglele1/article/details/90349654</guid><author>wanglele1</author><pubDate>Sun, 19 May 2019 23:08:58 +0800</pubDate><description><![CDATA[day02【Collection、泛型】
主要内容

Collection集合
迭代器
增强for
泛型

教学目标

 能够说出集合与数组的区别
 说出Collection集合的常用功能
 能够使用迭代器对集合进行取元素
 能够说出集合的使用细节
 能够使用集合存储自定义类型
 能够使用foreach循环遍历集合
 能够使用泛型定义集合对象
 能够理解泛型上下限
 能够阐述泛型通配符的作用

第...]]></description><category></category></item><item><title><![CDATA[java——Object类、常用API]]></title><link>https://blog.youkuaiyun.com/wanglele1/article/details/90349629</link><guid>https://blog.youkuaiyun.com/wanglele1/article/details/90349629</guid><author>wanglele1</author><pubDate>Sun, 19 May 2019 23:06:47 +0800</pubDate><description><![CDATA[day01【Object类、常用API】
主要内容

Object类
Date类
DateFormat类
Calendar类
System类
StringBuilder类
包装类

教学目标
-[ ] 能够说出Object类的特点
-[ ] 能够重写Object类的toString方法
-[ ] 能够重写Object类的equals方法
-[ ] 能够使用日期类输出当前日期
-[ ] 能够使用将日...]]></description><category></category></item><item><title><![CDATA[java——final、权限、内部类]]></title><link>https://blog.youkuaiyun.com/wanglele1/article/details/90042615</link><guid>https://blog.youkuaiyun.com/wanglele1/article/details/90042615</guid><author>wanglele1</author><pubDate>Thu, 09 May 2019 17:06:24 +0800</pubDate><description><![CDATA[]]></description><category></category></item><item><title><![CDATA[java——接口，多态]]></title><link>https://blog.youkuaiyun.com/wanglele1/article/details/90042458</link><guid>https://blog.youkuaiyun.com/wanglele1/article/details/90042458</guid><author>wanglele1</author><pubDate>Thu, 09 May 2019 17:01:55 +0800</pubDate><description><![CDATA[]]></description><category></category></item><item><title><![CDATA[java——继承、super、this、抽象类]]></title><link>https://blog.youkuaiyun.com/wanglele1/article/details/90042261</link><guid>https://blog.youkuaiyun.com/wanglele1/article/details/90042261</guid><author>wanglele1</author><pubDate>Thu, 09 May 2019 16:58:44 +0800</pubDate><description><![CDATA[]]></description><category></category></item><item><title><![CDATA[java——String类、static、Arrays类、Math类]]></title><link>https://blog.youkuaiyun.com/wanglele1/article/details/90042055</link><guid>https://blog.youkuaiyun.com/wanglele1/article/details/90042055</guid><author>wanglele1</author><pubDate>Thu, 09 May 2019 16:55:40 +0800</pubDate><description><![CDATA[]]></description><category></category></item><item><title><![CDATA[java——Scanner类、Random类、ArrayList类]]></title><link>https://blog.youkuaiyun.com/wanglele1/article/details/90041900</link><guid>https://blog.youkuaiyun.com/wanglele1/article/details/90041900</guid><author>wanglele1</author><pubDate>Thu, 09 May 2019 16:51:23 +0800</pubDate><description><![CDATA[]]></description><category></category></item><item><title><![CDATA[java——类]]></title><link>https://blog.youkuaiyun.com/wanglele1/article/details/90041659</link><guid>https://blog.youkuaiyun.com/wanglele1/article/details/90041659</guid><author>wanglele1</author><pubDate>Thu, 09 May 2019 16:47:00 +0800</pubDate><description><![CDATA[]]></description><category></category></item></channel></rss>