谁谓荼苦，其甘如荠

最近被pytorch的几种Tensor维度转换方式搞得头大，故钻研了一下，将钻研历程和结果简述如下注意：torch.__version__ == '1.2.0’torch.transpose()和torch.permute()两者作用相似，都是用于交换不同维度的内容。但其中torch.transpose()是交换指定的两个维度的内容，permute()则可以一次性交换多个维度。具体情况如code所示：transpose(): 两个维度的交换 >>> a = torch.Tenso

平时在一些数据处理中，经常会把原始数据取对数后进一步处理。之所以这样做是基于对数函数在其定义域内是单调增函数，取对数后不会改变数据的相对关系，取对数作用主要有：1. 缩小数据的绝对数值，方便计算。例如，每个数据项的值都很大，许多这样的值进行计算可能对超过常用数据类型的取值范围，这时取对数，就把数值缩小了，例如TF-IDF计算时，由于在大规模语料库中，很多词的频率是非常大的数字。 ...

1） 最大似然估计 MLE给定一堆数据，假如我们知道它是从某一种分布中随机取出来的，可是我们并不知道这个分布具体的参，即“模型已定，参数未知”。例如，我们知道这个分布是正态分布，但是不知道均值和方差；或者是二项分布，但是不知道均值。 最大似然估计（MLE，Maximum Likelihood Estimation）就可以用来估计模型的参数。MLE的目标是找出一组参数，使得模型产生出观测数据的概率...

引子作为一个小白数据挖掘工程师，如何处理分布不均匀的数据是我们遇到的第一个难题，也是工作中最常见的问题之一。何谓数据分布不均匀？比如用户做一道题的做题时间长度（简称做题时长），在理想状态下应该是正态分布的，即大部分人做题时长在一个合理位置（如3~5分钟），做题时间很长or很短的人应该很少。但实际情况总是这样的吗？非也。由于不论是做题时长、房价还是人的收入，这些变量总有一个下限，却没有上限。...