<?xml version="1.0" encoding="utf-8" ?><rss version="2.0"><channel><title><![CDATA[xiaoxin_xiaoo的博客]]></title><description><![CDATA[]]></description><link>https://blog.youkuaiyun.com/xiaoxin_xiaoo</link><language>zh-cn</language><generator>https://blog.youkuaiyun.com/</generator><copyright><![CDATA[Copyright &copy; xiaoxin_xiaoo]]></copyright><item><title><![CDATA[SQL语句总结]]></title><link>https://blog.youkuaiyun.com/xiaoxin_xiaoo/article/details/82178276</link><guid>https://blog.youkuaiyun.com/xiaoxin_xiaoo/article/details/82178276</guid><author>xiaoxin_xiaoo</author><pubDate>Thu, 30 Aug 2018 10:39:58 +0800</pubDate><description><![CDATA[1、SELECT

从数据库中选取数据；

如：SELECT * FROM CLASS 或者 SELECT ID,NAME FROM CLASS（ID和NAME为表CLASS中的属性）。

2、SELECT DISTINCT

一列中可能含有多个重复的值，DISTINCT可以返回唯一的值；

如：SELECT DISTINCT ID,NAME FROM CLASS（ID和NAME为表CLASS中的...]]></description><category></category></item><item><title><![CDATA[各种排序算法总结]]></title><link>https://blog.youkuaiyun.com/xiaoxin_xiaoo/article/details/81699177</link><guid>https://blog.youkuaiyun.com/xiaoxin_xiaoo/article/details/81699177</guid><author>xiaoxin_xiaoo</author><pubDate>Wed, 15 Aug 2018 10:48:17 +0800</pubDate><description><![CDATA[算法的稳定性定义为,对于待排序列中相同项的原来次序不能被算法改变则称该算法稳定.

 

一、插入排序

1、希尔(Shell)排序

基本思想是：先将整个待排序的元素序列分割为若干个子序列（由相隔某个“增量”的元素组成）分别进行插入排序，然后依次缩减增量进行排序，等到整个序列中的元素基本有序（增量足够小）时，再对全体元素进行一次直接插入排序。

时间复杂度：

最好情况下：n；最坏情况下：n13...]]></description><category></category></item><item><title><![CDATA[梯度消失与梯度爆炸]]></title><link>https://blog.youkuaiyun.com/xiaoxin_xiaoo/article/details/80225218</link><guid>https://blog.youkuaiyun.com/xiaoxin_xiaoo/article/details/80225218</guid><author>xiaoxin_xiaoo</author><pubDate>Mon, 07 May 2018 14:22:23 +0800</pubDate><description><![CDATA[那么为什么会出现梯度消失的现象呢？因为通常神经网络所用的激活函数是sigmoid函数，这个函数有个特点，就是能将负无穷到正无穷的数映射到0和1之间，并且对这个函数求导的结果是f'(x)=f(x)(1-f(x))。因此两个0到1之间的数相乘，得到的结果就会变得很小了。神经网络的反向传播是逐层对函数偏导相乘，因此当神经网络层数非常深的时候，最后一层产生的偏差就因为乘了很多的小于1的数而越来越小，最终就...]]></description><category></category></item><item><title><![CDATA[k-means算法学习]]></title><link>https://blog.youkuaiyun.com/xiaoxin_xiaoo/article/details/53189199</link><guid>https://blog.youkuaiyun.com/xiaoxin_xiaoo/article/details/53189199</guid><author>xiaoxin_xiaoo</author><pubDate>Wed, 16 Nov 2016 17:45:20 +0800</pubDate><description><![CDATA[k-means算法是数据挖掘十大经典算法之一。


首先选择一个参数k，代表k次迭代，选择要分类的类数c，随机选择c个点，计算其他点到这c个点的距离，归为距离最近的中心点，然后计算每个类的均值、中值等，重新划分中心点，当分类后的结果与上一次的结果相差不大时，结束。


算法流程：
输入：k，data[n]
1、选择k个初始中心点，例如c[0] = data[0]......c[n-]]></description><category></category></item><item><title><![CDATA[coursera第二周]]></title><link>https://blog.youkuaiyun.com/xiaoxin_xiaoo/article/details/52252291</link><guid>https://blog.youkuaiyun.com/xiaoxin_xiaoo/article/details/52252291</guid><author>xiaoxin_xiaoo</author><pubDate>Fri, 19 Aug 2016 16:41:00 +0800</pubDate><description><![CDATA[1、进行了一次初始化，清除掉了所有的残留数据，保证在运行时不会受到额外的干扰
clear ; close all; clc

2、输出两行字
fprintf('Running warmUpExercise ... \n');
fprintf('5x5 Identity Matrix: \n');
调用warmUpExercise()方法，输出一个5*5的矩阵，在输出完毕后暂停
war]]></description><category></category></item><item><title><![CDATA[python2和python3的区别]]></title><link>https://blog.youkuaiyun.com/xiaoxin_xiaoo/article/details/52106482</link><guid>https://blog.youkuaiyun.com/xiaoxin_xiaoo/article/details/52106482</guid><author>xiaoxin_xiaoo</author><pubDate>Wed, 03 Aug 2016 19:03:21 +0800</pubDate><description><![CDATA[1.性能 
Py3.0运行 pystone benchmark的速度比Py2.5慢30%。Guido认为Py3.0有极大的优化空间，在字符串和整形操作上可

以取得很好的优化结果。 
Py3.1性能比Py2.5慢15%，还有很大的提升空间。 
2.编码 
Py3.X源码文件默认使用utf-8编码，这就使得以下代码是合法的： 
    >>> 中国 = 'china' 
    >>]]></description><category></category></item><item><title><![CDATA[最大似然法]]></title><link>https://blog.youkuaiyun.com/xiaoxin_xiaoo/article/details/52104648</link><guid>https://blog.youkuaiyun.com/xiaoxin_xiaoo/article/details/52104648</guid><author>xiaoxin_xiaoo</author><pubDate>Wed, 03 Aug 2016 16:11:58 +0800</pubDate><description><![CDATA[转载：http://www.ccthere.com/article/1522559


最大似然法,英文名称是Maximum Likelihood Method，在统计中应用很广。这个方法的思想最早由高斯提出来，后来由菲舍加以推广并命名。

最大似然法是要解决这样一个问题：给定一组数据和一个参数待定的模型，如何确定模型的参数，使得这个确定参数后的模型在所有模型中产生已知数据的概率最大。通]]></description><category></category></item><item><title><![CDATA[数据挖掘中所需的概率论与数理统计知识]]></title><link>https://blog.youkuaiyun.com/xiaoxin_xiaoo/article/details/52101708</link><guid>https://blog.youkuaiyun.com/xiaoxin_xiaoo/article/details/52101708</guid><author>xiaoxin_xiaoo</author><pubDate>Wed, 03 Aug 2016 11:09:04 +0800</pubDate><description><![CDATA[数据挖掘中所需的概率论与数理统计知识

  （关键词：微积分、概率分布、期望、方差、协方差、数理统计简史、大数定律、中心极限定理、正态分布）




导言：本文从微积分相关概念，梳理到概率论与数理统计中的相关知识，但本文之压轴戏在本文第4节（彻底颠覆以前读书时大学课本灌输给你的观念，一探正态分布之神秘芳踪，知晓其前后发明历史由来），相信，每一个学过概率论与数理统计的朋友都有必要了解数]]></description><category></category></item><item><title><![CDATA[斯坦福机器学习第七周作业中找出最佳C和sigma的代码]]></title><link>https://blog.youkuaiyun.com/xiaoxin_xiaoo/article/details/52077365</link><guid>https://blog.youkuaiyun.com/xiaoxin_xiaoo/article/details/52077365</guid><author>xiaoxin_xiaoo</author><pubDate>Sun, 31 Jul 2016 10:35:09 +0800</pubDate><description><![CDATA[C_vec = [0.01 0.03 0.1 0.3 1 3 10 30]';    %为C拟定一组初值
sigma_vec = [0.01 0.03 0.1 0.3 1 3 10 30]';    %为sigma拟定一组初值
error_val = zeros(length(C_vec),length(sigma_vec));   
%用于保存验证集误差
error_train = ze]]></description><category></category></item><item><title><![CDATA[一些最新任意文献下载网站:免费下载各种外文科技论文书籍电子版]]></title><link>https://blog.youkuaiyun.com/xiaoxin_xiaoo/article/details/52039324</link><guid>https://blog.youkuaiyun.com/xiaoxin_xiaoo/article/details/52039324</guid><author>xiaoxin_xiaoo</author><pubDate>Tue, 26 Jul 2016 20:30:36 +0800</pubDate><description><![CDATA[转载自：http://blog.sciencenet.cn/blog-752541-821254.html，感谢作者]]></description><category></category></item><item><title><![CDATA[准确率(Accuracy), 精确率(Precision), 召回率(Recall)和F1-Measure]]></title><link>https://blog.youkuaiyun.com/xiaoxin_xiaoo/article/details/52025360</link><guid>https://blog.youkuaiyun.com/xiaoxin_xiaoo/article/details/52025360</guid><author>xiaoxin_xiaoo</author><pubDate>Mon, 25 Jul 2016 17:01:36 +0800</pubDate><description><![CDATA[机器学习(ML),自然语言处理(NLP),信息检索(IR)等领域,评估(Evaluation)是一个必要的工作,而其评价指标往往有如下几点:准确率(Accuracy),精确率(Precision),召回率(Recall)和F1-Measure。(注：相对来说，IR 的 ground truth 很多时候是一个 Ordered List, 而不是一个 Bool 类型的 Unordered Colle]]></description><category></category></item><item><title><![CDATA[斯坦福：机器学习系统的设计]]></title><link>https://blog.youkuaiyun.com/xiaoxin_xiaoo/article/details/52021198</link><guid>https://blog.youkuaiyun.com/xiaoxin_xiaoo/article/details/52021198</guid><author>xiaoxin_xiaoo</author><pubDate>Mon, 25 Jul 2016 10:21:03 +0800</pubDate><description><![CDATA[11.1  首先要做什么 
11.2  误差分析 
11.3  类偏斜的误差度量 
11.4  查全率和查准率之间的权衡 
11.5  机器学习的数据 

11.1  首先要做什么
      在接下来的视频中，我将谈到机器学习系统的设计。这些视频将谈及在设计复杂的机器 学习系统时，你将遇到的主要问题。同时我们会试着给出一些关于如何巧妙构建一个复杂的机器学习系统的建议。下面的课程的的]]></description><category></category></item><item><title><![CDATA[神经网络的反向传播]]></title><link>https://blog.youkuaiyun.com/xiaoxin_xiaoo/article/details/51998083</link><guid>https://blog.youkuaiyun.com/xiaoxin_xiaoo/article/details/51998083</guid><author>xiaoxin_xiaoo</author><pubDate>Fri, 22 Jul 2016 20:08:01 +0800</pubDate><description><![CDATA[前言
在coursera上久负盛名的课程《机器学习》，不仅Andrew Ng老师讲课思路清晰，并且有很多网友的整理的优秀笔记。听完老师的课收获颇多，通过编程作业对算法有了更深刻的理解。正如老师所说，检验一个算法有效性的平台通常是容易实现，语言简单的，例如MATLAB。之后可以根据自己的需求移植到C、C++、Java平台上。神经网络这一章算法复杂度较线性回归、逻辑回归有所提高，做编程作业的难度也有]]></description><category></category></item></channel></rss>