机器之我心的博客

#装饰器，就是调用原来的函数，被赋予新的功能，且不改变原来的代码，保证#代码的一致性。但是，功能变得强大了。import timedef funList(func):   #其实，也可以定义一个新函数，参数为原来函数也实现功能。    startTime=time.time()    func()    endTime=time.time()    msec=(endTime-startTim...

数据挖掘技术（1）数据挖掘:从数据中挖掘知识。包括数据清理（消除噪声、删除不一致数据）、数据集成（多种数据元集合一起）、数据选择（从数据库中提取与分析任务相关的数据）、数据变换（通过汇总或聚集操作，把数据变换和统一成适合挖掘的形式）、数据挖掘、模式评估和知识表现（可视化表示技术）（2）数据挖掘模式：特征化与区分；频繁模式、关联规则与相关性；预测分析的分类与回归；聚类分析；离群点分析；（3）使用...

  （1）K-means简介k-meansalgorithm算法是一个聚类算法，把n的对象根据他们的属性分为k个分割，k < n。假设对象属性来自于空间向量，并且目标是使各个群组内部的均方误差总和最小。      假设有k个群组Si, i=1,2,...,k。μi是群组Si内所有元素xj的质心，或叫中心点。k平均聚类发明于1956年， 该算法最常见的形式是采用被称为劳埃德算法(Lloydal...

      大家在学习python时，经常遇到python2.7的print不带括弧，但3.6必须要带括弧，版本不一致，需要修改，但是太多了，一定要批量哦。      安装notepad++童靴们，只要打开代码文件，将需要修改的所有文件都打开后，利用如下界面设置进行批量替换，是不是很给力哦，点个赞吧！       ...

    Tensorflow是一个采用数据流图，用于数值计算的开源软件库。节点时在图中表示数学操作，途中的线则表示在节点间相互联系的多维数据数组，即张量。它灵活的架构让你可以在多种平台上开展计算，台式计算机、CPU、服务器、移动设备等。一旦输入端的所有张量准备好，节点将被分配到各种计算设备完成异步并行计算。       常见的框架对比：     （1）caffe：卷积神经网络框架，专注于卷...

      tensorflow安装最开始就是强烈建议安装Anaconda，因为Anaconda集成了很多第三方库。安装之后不用再去一个一个地下载这些库并解决它们之间的依赖关系了，是十分方便的。      首先前往continnum站点，下载地址为：https://www.continuum.io/downloads。      下载Adaconda，适用于Python2.7的版本。 ...

（1）神经网络：ANN（artifical neural network）。（2）神经元：（3）激励函数：在一个神经元当中跟随在f（x）=wx+b函数之后，用来加入一些非线性的因素。        sigmoid函数：把激励值最终投射到了0到1两个值上。1表示完全激活状态，0表示不完全激活状态，其他各种输出就介于两者之间，表示其激活程度不同。        Tanh函数：把激励值最...

（1）前馈神经网络：各神经元从输入层开始，接收前一级输入， 并输入到下一级，直到输出层。整个网络中无反馈，可用一个有向无环图来表示。包括两种：反向传播网络、RBF径向基函数神经网络。神经网络本身就是有很多种设计模式，并且会在不同的模式下产生不同的训练效果和运用特点。（2）线性回归的训练：机器学习就是机器通过对观测到的事物进行归纳，进而总结出它们之间的规律、关系一类。（3）样本。（4）牛...

这里介绍的是大家以后要用到的html强大功能，可直接给输入框增加语音功能，下面我们先来看看实现方法。大家可以看到在输入框右边的麦克风图标，点击麦克风就能够进行语音识别了。其实很简单，语音识别是html5的基本功能，它的用法是：<input type=”text” speech x-webkit-speech />如果喜欢XHTML类似的语法，可以这样表示：&lt...

__author__ = 'Administrator'import osos.environ['TF_CPP_MIN_LOG_LEVEL']='2'import tensorflow as tfimport numpy as npx_data = np.float32(np.random.rand(2, 100))y_data = np.dot([0.100, 0.200], x_...

今天晚上，我系统学习了spyder的环境用法，太好了，关键是调试工具太棒了！Spyder是Python(x,y)的作者为它开发的一个简单的集成开发环境。和其他的Python开发环境相比，它最大的优点就是模仿MATLAB的“工作空间”的功能，可以很方便地观察和修改数组的值。Spyder的界面由许多窗格构成，用户可以根据自己的喜好调整它们的位置和大小。当多个窗格出现在一个区域时，将使用标签页的形式显示...

     分类思想比较简单，从训练样本中找出 K 个与其最相近的样本，然后看这 k 个样本中哪个类别的样本多，则待判定的值（或说抽样）就属于这个类别。    缺点：       1）K 值需要预先设定，而不能自适应，一般选择20，如果数据量小的话，可以调参。      2）当样本不平衡时，如一个类的样本容量很大，而其他类样本容量很小时，有可能导致当输入一个新样本时，该样本的 K 个邻居中大容量类的...

用类封装起来，以后使用起来将方便多了。import numpy as npfrom sklearn import preprocessingfrom sklearn.ensemble import RandomForestClassifierimport matplotlib.pyplot as pltclass MYRandomForestClassifier:    def __init__(...

class MyFile:    def __init__(self,filename="d:\\"):        self.filename=filename    def ReadTxt(self):      with open(self.filename, 'r') as f:        for s in f.readlines():            print(s, end...

class Person:    def __init__(self, name, sex, age, CE):        self.name = name        self.sex = sex        self.age = age        self.CE =CE        def grassland(self):        """注释：草丛战斗，消耗200战斗力""...

下面这段程序很清晰地呈现了类与实例之间的区别和关系。你能看明白吗？class Example:    t="come"    __t1=3    def __init__(self,name="example"):        self.__name=name    def getName(self):        return self.__name    def printt1(self)...

（1）列表解析式功能：生成符合条件的新列表arrayList=[[1,2,3],[4,5,6],[7,8,9]]arrayNew = [yy for yy in arrayList if yy[0]%2==1] #新列表为该行第一个数为偶数。print(arrayNew)（2）enumerate同时获取索引和元素值。def getitemstr(index, element):    return...

from numpy import *import numpy as npdef loadExData():    return [[1,1,1,0,0],            [2,2,2,0,0],            [1,1,1,0,0],            [5,5,5,0,0],            [1,1,0,2,2],            [0,0,0,3,3],  ...

# -*- coding: utf-8 -*-"""推荐系统的过程：给定一个用户，系统会为此用户返回N个最好的推荐菜。为了实现这个目的：（1）寻找用户没有评级的菜肴，即在用户-物品矩阵中的0值。（2）在用户没有评级的所有物品中，对每个物品预计一个可能的评级分数。这就是说，我们认为用户可能会对物品的打分（这就是相似度计算的初衷）（3）对这些物品的评分从高到低进行排序，返回前N个物品。"""from ...

def printMat(inMat, thresh=0.7):    for i in range(32):        for k in range(32):            if float(inMat[i,k]) > thresh:                print (1,end=' ')            else:                 print ...

      今天学习了加州理工学院公开课：机器学习与数据挖掘，第一集主要讲解了学习问题，阐述了机器学习最重要的是模式选择，讲了三点，模式、假设集和数据问题，提出了一个观点是：机器学习之难，难在如何将学习的数据应用到更多领域，我认为实际上就是数据产品，离不开数据本身、数据模型、数据包装（可视化必不可少），对于数据专家来说，一定要学习更多的工具，将实际问题中，选择更好地工具去实现。     今天也学习...

        （1）并行计算。并行计算是用来加深深度神经网络训练的最直接方式了。对于深度神经网络来说，最终得到的东西就是一个网络拓扑结构和各个节点上输入的全值矩阵。英伟达的CUDA提供了平台级产品架构，支持复杂的并行计算编程。关于硬件问题，可以找一些专业的公司和人员即可，我们把更多的精力放在针对业务的研究和改进中了。       （2）随机梯度下降。当样本数据量巨大时，且每个样本的x维度也是...