- 博客(31)
- 资源 (13)
- 收藏
- 关注
RSS订阅原创 （三）结构化机器学习项目
第一周 机器学习（ML）策略（1）（ML strategy（1）） 1.1 为什么是ML策略？ 1.2 正交化（Orthogonalization） 1.3 单一数字评估指标（Single number evaluation metric） 评估你的分类器的一个合理方式是观察它的查准率（precision）和查全率（recall）。=>新的评估指标（F1 Score），能够结合查准率和查全率。会加速改进您的机器学习算法的迭代过程。 1.4 满足和优化指标 优化指标：要求最大化，尽可能好。 满足指标：
2021-09-16 15:18:35
535
原创 （二）改善深层神经网络：超参数调试、正则化以及优化2
二、优化算法 2.1 Mini-batch 梯度下降（Mini-batch gradient descent） 将总样本分为m组，为X{1}、X{2}、…、X{t}、…、X{m}； Y{1}、Y{2}、…、Y{t}、…、Y{m}。 每次迭代处理单个的mini-batch X{t}和Y{t}，而不是同时处理全部的X和Y训练集。 总结用法： 2.2 理解mini-batch梯度下降法（Understanding mini-batch gradient descent） 使用batch梯度下降法的代价函数的值
2021-08-11 15:29:04
376
原创 （二）改善深层神经网络：超参数调试、正则化以及优化(后续待补充)
一、深度学习的实践层面 1.1 训练，验证，测试集（Train / Dev / Test sets）和偏差、方差（Bias /Variance） 在机器学习发展的小数据量时代，常见做法是将所有数据三七分，就是人们常说的70%验证集，30%测试集，如果没有明确设置验证集，也可以按照60%训练，20%验证和20%测试集来划分。这是前几年机器学习领域普遍认可的最好的实践方法。如果只有100条，1000条或者1万条数据，那么上述比例划分是非常合理的。 但是在大数据时代，我们现在的数据量可能是百万级别，那么验证集和测
2021-07-28 14:46:48
718
原创 （一）神经网络和深度学习-测验题易错整理
对 https://hekuan.blog.youkuaiyun.com/article/details/79827273 中的第一门课的测验题目进行整理，记录个人易错点。 1.用于识别猫的图像是“结构化”数据的一个例子，因为它在计算机中被表示为结构化矩阵，是真的吗？ 【 】正确 【★】错误 注：图片属于非结构化数据。 2.统计不同城市人口、人均GDP、经济增长的人口统计数据集是“非结构化”数据的一个例子，因为它包含来自不同来源的数据，是真的吗？ 【 】正确 【★】错误 注：单纯的看以上数据的话就是非结构化数据，但是这
2021-07-28 14:44:21
1910
1
原创 （一）神经网络和深度学习
一、引言 什么是深度学习？什么是神经网络？ 我们常常用深度学习这个术语来指训练神经网络的过程。有时它指的是特别大规模的神经网络训练。如下就是一个神经元。中间的函数被称作ReLU激活函数，它的全称是Rectified Linear Unit。 神经网络的分类及其应用？ 目前几乎所有由神经网络创造的经济价值，本质上都离不开一种叫做监督学习的机器学习类别。在能处理结构化数据的同时，神经网络使得非结构化数据也能被更好解释。 标准神经网络：点击预测在线广告、房地产…… 卷积（Convolutional Neura
2021-07-25 17:38:34
3779
原创 机器学习-推荐系统编程作业
一、正则化的代价函数 Y：用户评分矩阵 R：用户是否评分 设影片个数为n，用户个数为m，则Y和R都为n×m大小矩阵 X：电影特征矩阵 theta：用户偏好矩阵 param：序列化的X和theta def serialize(X, theta): """序列化两个矩阵""" # X (movie, feature), (1682, 10): movie features # theta (user, feature), (943, 10): user preference .
2021-07-21 15:51:18
447
原创 机器学习-异常检测编程作业
异常检测步骤： 选择处于异常状态（有反常样本）的特征作为输入 针对每一个特征计算μ和σ2 μi=1m∑j=1mxi(j) \mu_i=\frac{1}{m}\sum_{j=1}^mx_i^{(j)} μi=m1j=1∑mxi(j) σi2=1m∑j=1m(xi(j)−μi)2 \sigma_i^2=\frac{1}{m}\sum_{j=1}^m(x_i^{(j)}-\mu_i)^2 σi2=m1j=1∑m(xi(j)−μi)2 你要做的是，输入一个X矩阵，输出2个n维的向量，mu包含了每
2021-07-21 11:24:04
319
原创 机器学习-组成成分分析编程作业
步骤： 均值标准化、特征缩放（可选） 计算协方差矩阵Σ及其特征向量 def pca(X): # 归一化 X = (X - X.mean()) / X.std() # compute the covariance matrix X = np.matrix(X) # 计算协方差矩阵 cov = (X.T * X) / X.shape[0] # perform SVD U, S, V = np.linalg.svd(cov)
2021-07-21 11:23:47
205
原创 机器学习-K-Means算法编程作业
一、初始化聚类中心 随机选择k个聚类中心： def init_centroids(X, k): m, n = X.shape centroids = np.zeros((k, n)) idx = np.random.randint(0, m, k) for i in range(k): centroids[i,:] = X[idx[i],:] return centroids 二、簇分配 为每个样本找到离它最近的簇中心： def
2021-07-21 11:23:33
512
原创 机器学习-支持向量机编程作业
from sklearn import svm svc = svm.LinearSVC(C=1, loss='hinge', max_iter=1000) svc
2021-07-21 11:23:21
265
原创 机器学习-逻辑回归编程作业
一、处理数据（特征映射、初始化） 特征映射为每组数据创造更多的特征，即将原有特征进行多项式组合、提高次幂。 初始化数据 二、正则化的代价函数 J(θ)=1m∑i=1m[−y(i)log(hθ(x(i)))−(1−y(i))log(1−hθ(x(i)))]+λ2m∑j=1nθj2 J\left( \theta \right)=\frac{1}{m}\sum\limits_{i=1}^{m}{[-{{y}^{(i)}}\log \left( {{h}_{\theta }}\left( {{x}^{(i)}
2021-07-21 11:23:08
452
原创 机器学习-线性回归编程作业
一、数据处理 初始化X、y 插入一列： data.insert(0,'Ones',1) #两种方法： #法一：用loc，根据列名 X=data.loc[:,['Ones','Population']] y=data.loc[:,['Profit']] #法二：用iloc，根据列数 cols=data.shape[1]#列数，也为theta的个数 X = data.iloc[:,:-1]#X是data里的除最后列 y = data.iloc[:,cols-1:cols]#y是data最后一列 多特征
2021-07-21 11:22:54
363
原创 机器学习-神经网络编程作业
一、向前传播函数 forward_propagate 输入：X theta 根据上图公式进行计算 输出：a1、z2、a2、z3、h（a3） # 前向传播函数 def forward_propagate(X, theta1, theta2): m = X.shape[0] # X:5000×400 a1 = np.insert(X, 0, values=np.ones(m), axis=1)# a1：5000×401 z2 = a1 * theta1.T a2 = n
2021-07-21 11:22:19
414
原创 机器学习-大规模机器学习
一、随机梯度下降法 批量梯度下降法每次迭代求和要遍历完全部样本。每次都要同时考虑所有的训练样本，对于海量数据集，处理起来就很困难。 针对单个样本重新定义cost函数： 随机梯度下降法： 随机打乱所有数据集（重新随机排列）（标准预处理过程）； 对所有样本进行遍历，每遍历一个样本就进行梯度下降。 总的来看，参数是朝着全局最小化的方向移动的，整个过程还是以随机迂回的路径朝着全局最小值前进，相比于普通梯度下降，随机梯度下降的收敛形式是不同的，它所做的是连续不断在某个区域中朝着全局最小值方向徘徊。 二
2021-07-21 11:21:49
185
原创 机器学习-推荐系统
一、问题引出 案例：电影评分 nu表示用户的数量、nm表示电影的数量。 r(i,j)等于1时表示用户j给电影i进行了评价。 y(i,j)表示当评价后会得到的具体的评价星值。 推荐系统就是在给出了r(i,j)和y(i,j)的值后，会去查找那些没有被评级的电影，并试图预测这些电影的评价星级。 二、基于内容的推荐算法 提取出每部影片的特征（X）（如爱情成分、动作成分有多少），根据每个用户已有的电影评价（y）学习参数向量（θ），每一个用户对应一个线性回归的样本，进行回归预测。即有X去学习θ。 问题的正式定义
2021-07-21 11:21:01
389
原创 软件工程北大慕课题
第一周：软件工程概论 软件的定义及特点 1单选(2分)软件产品与物质产品有很大的区别，软件产品是一种（C）产品。 A.有形 B.消耗 C.逻辑 D.文档 2多选(2分)下列关于软件的说法正确的是（BCD） A.软件是通过定制进而生产制造出来的 软件是设计开发的，而不是生产制造的 B.软件没有磨损老化问题。 C.软件开发的成本很高 D.软件开发和运行必须依赖计算机环境 3多选(2分)下列软件属于系统...
2020-01-23 13:56:33
70203
1
原创 使用canvas的签名实例
<!DOCTYPE html> <html> <head> <meta charset="UTF-8"> <title></title> <style type="text/css"> *{ margin: 0; padding: 0; } body{ bac...
2019-08-27 17:52:41
255
原创 ES7
ES7 指数运算符(幂): ** Array.prototype.includes(value) : 判断数组中是否包含指定value console.log(3**3); let arr=[1,2,3,4,'abc']; console.log(arr.includes('a')); ESMA 它是一种由ECMA组织（前身为欧洲计算机制造商协会）制定和发布的脚本语言规范 而我们学的...
2019-08-24 18:05:50
270
原创 ES6(2)
1.Generator函数 概念： 1、ES6提供的解决异步编程的方案之一 2、Generator函数是一个状态机，内部封装了不同状态的数据， 3、用来生成遍历器对象 4、可暂停函数(惰性求值), yield可暂停，next方法可启动。每次返回的是yield后的表达式结果 特点： 1、function 与函数名之间有一个星号 2、内部用yield表达式来定义不同的状态 ...
2019-08-24 18:02:46
642
原创 ES6（1）
1.let关键字 作用:与var类似, 用于声明一个变量 特点: 在块作用域内有效；不能重复声明；不会预处理, 不存在提升 应用:循环遍历加监听；使用let取代var是趋势 let btns=document.getElementsByTagName("button"); for(let i=0;i<btns.length;i++){ let btn=btns[i]; btn....
2019-08-24 16:07:14
181
原创 ES5
理解: 除了正常运行模式(混杂模式)，ES5添加了第二种运行模式：“严格模式”（strict mode）。 顾名思义，这种模式使得Javascript在更严格的语法条件下运行 目的/作用 消除Javascript语法的一些不合理、不严谨之处，减少一些怪异行为 消除代码运行的一些不安全之处，为代码的安全运行保驾护航 为未来新版本的Javascript做好铺垫 使用 在全局或函数的第...
2019-08-24 15:06:18
183
转载 CSS（bootstrap）
bootstrap 简洁、直观、强悍的前端开发框架，让web开发更迅速、简单 中文网 ： http://www.bootcss.com/ 英文网 : http://getbootstrap.com/ 容器 流体布局容器 容器的width为auto，只是两边加了15px的padding。 固定布局 容器的width会随设备分辨率的不同而生产变化 分辨率阈值 w >=1200 容器的w...
2019-05-24 15:56:39
268
转载 CSS（预处理器）
less less是一种动态样式语言，属于css预处理器的范畴，它扩展了 CSS 语言，增加了变量、Mixin、函数等特性，使 CSS 更易维护和扩展。 LESS 既可以在客户端上运行 ，也可以借助Node.js在服务端运行。 less的中文官网：http://lesscss.cn/ bootstrap中less教程：http://www.bootcss.com/p/lesscss/ Le...
2019-05-24 15:52:46
1446
转载 CSS（css3媒体查询）
css3媒体查询 css3媒体查询是响应式方案核心 媒体类型 all 所有媒体（默认值） screen 彩色屏幕 print 打印预览 projection 手持设备 tv 电视 braille 盲文触觉设备 embossed 盲文打印机 spee...
2019-05-24 15:44:21
1087
转载 CSS（选择器）
CSS选择器 CSS3选择器规范地址： https://www.w3.org/TR/2011/REC-css3-selectors-20110929/ CSS3选择最新选择器规范: https://www.w3.org/TR/selectors !---问题---! 1.css的全称是什么？ 2.样式表的组成 3.浏览器读取编译css的顺序？ 1.基本选择器 /*通配符选择器*/...
2019-05-24 15:36:45
183
原创 MySQL（二）查询语句
查询语句 目录： • 基本的SELECT语句 • 过滤和排序数据 • 分组函数 • 分组查询 • 多表查询 • 分页查询 注意： • SQL 语言大小写不敏感。 • SQL 可以写在一行或者多行 • 关键字不能被缩写也不能分行 • 各子句一般要分行写。 • 使用缩进提高语句的可读性。 列的别名 紧跟列名，也可以在列名和别名之间加入关键字‘AS’，别名使用双引号，以便在别名中包含空格或特殊的字符并...
2019-05-19 15:59:13
340
原创 MySQL（三）增删改
增删改 • 使用 DML 语句 • 向表中插入数据 • 更新表中数据 • 从表中删除数据 1.DML(Data Manipulation Language –数据操纵语言) 可以在下列条件下执行: – 向表中插入数据 – 修改现存数据 – 删除现存数据 事务是由完成若干项工作的DML语句组成的 2.INSERT 语句 INSERT INTO table [(column [, column…])...
2019-05-19 15:08:55
186
原创 MySQL（一）常见函数
常见函数 目录： • 字符函数 • 数学函数 • 日期函数 • 流程控制函数【补充】 1. 字符函数 1）大小写控制函数 函数：LOWER(‘SQL Course’) 结果sql course 函数：UPPER(‘SQL Course’) 结果：SQL COURSE 2）字符控制函数 2.数学函数 ROUND: 四舍五入 ROUND(45.926, 2) => 45.93 TRU...
2019-05-19 14:19:05
246
原创 Ajax（三）使用jQuery实现Ajax
jQuery对Ajax操作进行了封装，在jQuery中最底层的方法是$.ajax(),第二层(最常用)load(),$.get()和$.post(),第三层是$.getScript()和$.getJSON() load()方法 var url=this.href; //若只想请求一部分数据,如只想要h2部分数据 //var url=this....
2019-05-12 22:16:59
248
原创 Ajax（二）数据格式
数据格式提要 在服务器端AJAX是一门与语言无关的技术。 从服务器端接收数据的时候，那些数据必须以浏览器能够理解的格式来发送。服务器端的编程语言只能以如下三种格式返回数据： XML JSON HTML HTML小结 优点： 从服务器端发送的HTML代码在浏览器端不需要用JavaScript进行解析。 HTML的可读性好 HTML代码块与innerHTML属性搭配，效率高。 缺点： 若需要...
2019-05-12 10:49:46
193
原创 Ajax（一）介绍、相关属性及方法
Ajax是几种技术的聚合： 服务器端语言 XML 描述数据的格式 XTML 使用HTML和CSS标准化呈现 DOM 实现动态现实和交互 使用XMLHTTP组件XMLHttpRequest对象进行异步数据读取 使用JavaScript绑定和处理所有数据 Ajax的缺陷 由js和Ajax引起导致的浏览器的兼容 页面局部刷新，导致后退等功能失效 对流媒体的支持没有FLASH、Java Applet...
2019-05-12 10:46:15
299
软件服务外包概论PPT.rar
2020-01-23
编译原理作业及实验.rar
2020-01-23
Python课程资料.rar
2020-01-23
服务外包概论实验.rar
2020-01-23
数据库资料（课件及复习笔记）.rar
2020-01-23
Java实验.rar
2020-01-23
C#计算器程序.rar
2020-01-23
空空如也
TA创建的收藏夹 TA关注的收藏夹
TA关注的人