<?xml version="1.0" encoding="utf-8" ?><rss version="2.0"><channel><title><![CDATA[xiaoyu_2011的专栏]]></title><description><![CDATA[]]></description><link>https://blog.youkuaiyun.com/xiaoyu_2011</link><language>zh-cn</language><generator>https://blog.youkuaiyun.com/</generator><copyright><![CDATA[Copyright &copy; xiaoyu_2011]]></copyright><item><title><![CDATA[DataWhale leetcode第七次作业]]></title><link>https://blog.youkuaiyun.com/xiaoyu_2011/article/details/88132425</link><guid>https://blog.youkuaiyun.com/xiaoyu_2011/article/details/88132425</guid><author>xiaoyu_2011</author><pubDate>Mon, 04 Mar 2019 19:05:33 +0800</pubDate><description><![CDATA[题目：除自身以外数组的乘积

class Solution:
  def productExceptSelf(self, nums):
    &quot;&quot;&quot;
    :type nums: List[int]
    :rtype: List[int]
    &quot;&quot;&quot;
    nums_len = len(nums)
    leftPro = [1]...]]></description><category></category></item><item><title><![CDATA[DataWhale leetcode第六次作业]]></title><link>https://blog.youkuaiyun.com/xiaoyu_2011/article/details/88131999</link><guid>https://blog.youkuaiyun.com/xiaoyu_2011/article/details/88131999</guid><author>xiaoyu_2011</author><pubDate>Mon, 04 Mar 2019 18:58:46 +0800</pubDate><description><![CDATA[题目：反转字符串中的单词

class Solution(object):

     def reverseWords(self,s):

         l=s.split()

         k=[]

         for i in l:

            k.append(i...]]></description><category></category></item><item><title><![CDATA[DataWhale leetcode第五次作业]]></title><link>https://blog.youkuaiyun.com/xiaoyu_2011/article/details/88084417</link><guid>https://blog.youkuaiyun.com/xiaoyu_2011/article/details/88084417</guid><author>xiaoyu_2011</author><pubDate>Sun, 03 Mar 2019 08:27:46 +0800</pubDate><description><![CDATA[题目：反转字符串

class Solution:
  def reverseString(self, s):
    &quot;&quot;&quot;
    :type s: str
    :rtype: str
    &quot;&quot;&quot;
    return s[::-1]
]]></description><category></category></item><item><title><![CDATA[DataWhale Python基础Day3]]></title><link>https://blog.youkuaiyun.com/xiaoyu_2011/article/details/88084385</link><guid>https://blog.youkuaiyun.com/xiaoyu_2011/article/details/88084385</guid><author>xiaoyu_2011</author><pubDate>Sun, 03 Mar 2019 08:23:04 +0800</pubDate><description><![CDATA[1、dict字典

  a.定义 可理解为键值对列表

  b.创建 由{}包起来，如{'month':3,'year':2019}

  c.字典方法 是可迭代对象，可切片读取

2、集合

  a.特性 元素不重复

  b.创建 由{}包起来，但与dict的不同是元素不重复，如{1,2,3}

  c.方法 和字典操作方法类似，可切片

3、判断...]]></description><category></category></item><item><title><![CDATA[DataWhale leetcode第四次作业]]></title><link>https://blog.youkuaiyun.com/xiaoyu_2011/article/details/88072034</link><guid>https://blog.youkuaiyun.com/xiaoyu_2011/article/details/88072034</guid><author>xiaoyu_2011</author><pubDate>Sat, 02 Mar 2019 09:22:14 +0800</pubDate><description><![CDATA[题目：字符串相乘

class Solution:
  def multiply(self, num1: str, num2: str) -&amp;gt; str:
    res, m, n = 0, len(num1), len(num2)
   
    for i in range(1, m + 1):
      for j in range(1, n...]]></description><category></category></item><item><title><![CDATA[DataWhale leetcode第三次作业]]></title><link>https://blog.youkuaiyun.com/xiaoyu_2011/article/details/88055875</link><guid>https://blog.youkuaiyun.com/xiaoyu_2011/article/details/88055875</guid><author>xiaoyu_2011</author><pubDate>Fri, 01 Mar 2019 13:33:03 +0800</pubDate><description><![CDATA[题目：盛最多水的容器

class Solution:
  def maxArea(self, height):
    &quot;&quot;&quot;
    :type height: List[int]
    :rtype: int
    &quot;&quot;&quot;
    l = 0
    r = len(height) - 1
    contain = 0
 ...]]></description><category></category></item><item><title><![CDATA[DataWhale Python基础Day2]]></title><link>https://blog.youkuaiyun.com/xiaoyu_2011/article/details/88055691</link><guid>https://blog.youkuaiyun.com/xiaoyu_2011/article/details/88055691</guid><author>xiaoyu_2011</author><pubDate>Fri, 01 Mar 2019 13:31:15 +0800</pubDate><description><![CDATA[1、列表

 a.标志 list是一种有序的集合，可用[]包起来

 b.基本操作 创建列表，如[1,1,2]；append()给列表添加元素；pop()取列表的最后一个元素 ==》列表的添加和删除可实现类似栈的入栈和出栈操作

2.元组

 a.元组是另一种有序列表叫元组，可用()包起来

 b.基本操作 创建元组后内容不可变，其他和列表操作类似

3、string字...]]></description><category></category></item><item><title><![CDATA[DataWhale leetcode第二次作业]]></title><link>https://blog.youkuaiyun.com/xiaoyu_2011/article/details/88045103</link><guid>https://blog.youkuaiyun.com/xiaoyu_2011/article/details/88045103</guid><author>xiaoyu_2011</author><pubDate>Thu, 28 Feb 2019 21:10:15 +0800</pubDate><description><![CDATA[题目：删除排序数组中的重复项

class Solution:
  def removeDuplicates(self, nums: List[int]) -&amp;gt; int:
    k = 0
    for i, num in enumerate(nums):
      if k &amp;lt; 1 or num != nums[k - 1]:
    ...]]></description><category></category></item><item><title><![CDATA[DataWhale leetcode第一次作业]]></title><link>https://blog.youkuaiyun.com/xiaoyu_2011/article/details/87991011</link><guid>https://blog.youkuaiyun.com/xiaoyu_2011/article/details/87991011</guid><author>xiaoyu_2011</author><pubDate>Wed, 27 Feb 2019 21:14:26 +0800</pubDate><description><![CDATA[题目：有效的括号

class Solution:
  def isValid(self, s):
    &quot;&quot;&quot;
    :type s: str
    :rtype: bool
    &quot;&quot;&quot;
    stack = list()
    match = {'{':'}', '[':']', '(':')'}
    for i i...]]></description><category></category></item><item><title><![CDATA[DataWhale Python基础Day1]]></title><link>https://blog.youkuaiyun.com/xiaoyu_2011/article/details/87987997</link><guid>https://blog.youkuaiyun.com/xiaoyu_2011/article/details/87987997</guid><author>xiaoyu_2011</author><pubDate>Wed, 27 Feb 2019 20:18:39 +0800</pubDate><description><![CDATA[1、环境

  我使用的是python3.6.6，编辑器主要使用PyCharm，编写完整的代码比较方便。这里主要总结下python的解释器吧，当我们从Python官方网站下载并安装好Python 3.x后，我们就直接获得了一个官方版本的解释器：CPython。这个解释器是用C语言开发的，所以叫CPython。在命令行下运行python就是启动CPython解释器。

2、python初体验
...]]></description><category></category></item><item><title><![CDATA[DataWhale基础算法梳理第三次作业--决策树]]></title><link>https://blog.youkuaiyun.com/xiaoyu_2011/article/details/86726699</link><guid>https://blog.youkuaiyun.com/xiaoyu_2011/article/details/86726699</guid><author>xiaoyu_2011</author><pubDate>Thu, 31 Jan 2019 21:44:42 +0800</pubDate><description><![CDATA[【学习任务】

1. 信息论基础（熵 联合熵 条件熵 信息增益 基尼不纯度）

2.决策树的不同分类算法（ID3算法、C4.5、CART分类树）的原理及应用场景

3. 回归树原理

4. 决策树防止过拟合手段

【做题】

1、信息论基础（熵 联合熵 条件熵 信息增益 基尼不纯度）



2、决策树的不同分类算法（ID3算法、C4.5、CART分类树）的原理及应用场景

   三种分类算法都是生...]]></description><category></category></item><item><title><![CDATA[DataWhale基础算法梳理第二次作业--逻辑回归]]></title><link>https://blog.youkuaiyun.com/xiaoyu_2011/article/details/86695862</link><guid>https://blog.youkuaiyun.com/xiaoyu_2011/article/details/86695862</guid><author>xiaoyu_2011</author><pubDate>Tue, 29 Jan 2019 21:47:01 +0800</pubDate><description><![CDATA[【学习任务】

Logistic回归损失函数的极大似然推导：西瓜书公式3.27怎么推来的？
	Logistic回归损失函数的最优化算法：什么是牛顿法、拟牛顿法？
	为什么不用线性回归做分类？
	Logistic回归为什么不像线性回归那样用平方损失函数？
	Logistic回归的参数为什么不像线性回归那样直接公式求解？
	Logistic回归与线性回归有哪些联系？
【做题】

1、Logistic回...]]></description><category></category></item><item><title><![CDATA[DataWhale基础算法梳理第一次作业--线性回归]]></title><link>https://blog.youkuaiyun.com/xiaoyu_2011/article/details/86667033</link><guid>https://blog.youkuaiyun.com/xiaoyu_2011/article/details/86667033</guid><author>xiaoyu_2011</author><pubDate>Sun, 27 Jan 2019 16:24:36 +0800</pubDate><description><![CDATA[【学习任务】

线性回归损失函数的极大似然推导：西瓜书公式3.4除了用最小二乘法以外，怎么用极大似然推得？
	一元线性回归的参数求解公式推导：西瓜书公式3.7和3.8怎么推来的？
	多元线性回归的参数求解公式推导：西瓜书公式3.10和3.11怎么推来的？
	线性回归损失函数的最优化算法：什么是批量梯度下降、随机梯度下降、小批量梯度下降？
做题：

1、线性回归损失函数的极大似然推导：西瓜书公式3....]]></description><category></category></item><item><title><![CDATA[机器学习（5）-决策树]]></title><link>https://blog.youkuaiyun.com/xiaoyu_2011/article/details/82562632</link><guid>https://blog.youkuaiyun.com/xiaoyu_2011/article/details/82562632</guid><author>xiaoyu_2011</author><pubDate>Sun, 09 Sep 2018 22:12:30 +0800</pubDate><description><![CDATA[这一篇开始进入另一种非常重要的算法--决策树，不仅仅是因为这个算法本身重要，而且由它引申出来的众多集成学习算法更加重要。决策树不仅能处理分类问题（而且支持多分类），还能处理回归问题，对应地称为分类决策树和回归决策树，本文以分类问题为例进行总结。决策树模型是基于特征对实例进行分类的，决策树的模型训练就是构建一棵决策树的过程。决策树的构建过程如下所示：

1、特征选择。

2、决策树生成。

3、决策...]]></description><category></category></item><item><title><![CDATA[机器学习（4）-KNN，线性回归，逻辑回归，朴素贝叶斯]]></title><link>https://blog.youkuaiyun.com/xiaoyu_2011/article/details/82083895</link><guid>https://blog.youkuaiyun.com/xiaoyu_2011/article/details/82083895</guid><author>xiaoyu_2011</author><pubDate>Sun, 26 Aug 2018 21:32:44 +0800</pubDate><description><![CDATA[接着前文的介绍，这一篇文章继续对机器学习的基础算法进行总结。这些算法都比较简单，没有太多的推理过程，因此集中放在这里汇总一下。

（一）KNN

K近邻学习算法



（二）线性回归

这一小节主要对岭回归和lasso回归进行总结，他们都是普通线性模型的推广形式，引入了不同的正则化项。

岭回归如下（L2正则化项）



lasso回归如下（L1正则化项）



（三）逻辑回归

二类分类模型如下...]]></description><category></category></item><item><title><![CDATA[机器学习（3）-支持向量机（SVM）]]></title><link>https://blog.youkuaiyun.com/xiaoyu_2011/article/details/81839469</link><guid>https://blog.youkuaiyun.com/xiaoyu_2011/article/details/81839469</guid><author>xiaoyu_2011</author><pubDate>Sun, 19 Aug 2018 20:51:14 +0800</pubDate><description><![CDATA[支持向量机是比较经典的二类分类机器学习算法，和上一篇写的感知机存在一些关系，简单来说，SVM和感知机的最大不同就是学习策略的不同。SVM按照数据集的分布特点分为三种，即线性可分支持向量机、线性支持向量机和非线性支持向量机。

（一）线性可分SVM

首先，来看第一种线性可分支持向量机。它的特点是训练数据集是线性可分的，同感知机一样，也是需要在特征空间中找到划分正负样本的超平面，不同的是，感知机得到...]]></description><category></category></item><item><title><![CDATA[机器学习（2）-感知机算法]]></title><link>https://blog.youkuaiyun.com/xiaoyu_2011/article/details/81836336</link><guid>https://blog.youkuaiyun.com/xiaoyu_2011/article/details/81836336</guid><author>xiaoyu_2011</author><pubDate>Sun, 19 Aug 2018 16:02:06 +0800</pubDate><description><![CDATA[上一篇我们总结了运行机器学习算法的一般过程，属于实战部分，但机器学习算法的特点就是分散的，需要一个一个算法地去学习。因此，本文以自己的入门经历为基础，从最简单的感知机算法开始讲起。

感知机是支持向量机和神经网络的基础算法，因此把感知机作为第一个入门算法，对于后续的学习可以呈现依次递进地相关性和连续性，由浅入深，对于最终把握整个机器学习的知识起到很好的开头作用。

（一）感知机的定义

具体来说，...]]></description><category></category></item><item><title><![CDATA[机器学习（1）-完整的机器学习算法实战流程]]></title><link>https://blog.youkuaiyun.com/xiaoyu_2011/article/details/81436011</link><guid>https://blog.youkuaiyun.com/xiaoyu_2011/article/details/81436011</guid><author>xiaoyu_2011</author><pubDate>Sun, 05 Aug 2018 22:06:25 +0800</pubDate><description><![CDATA[       作为机器学习的初学者，最关心的肯定是如何搭建运行环境、如何完整跑一个机器学习算法的实例程序了。本人刚趟过坑，就把这个过程整理下来，作为后面进来的人的一份参考，以此互勉。

一、运行时环境ipython notebook

      网页版的notebook相比集成环境PyCharm有许多优点，如分段执行程序，而且更轻便。安装过程可以参考https://jingyan.baidu.c...]]></description><category></category></item><item><title><![CDATA[机器学习之初见]]></title><link>https://blog.youkuaiyun.com/xiaoyu_2011/article/details/81266817</link><guid>https://blog.youkuaiyun.com/xiaoyu_2011/article/details/81266817</guid><author>xiaoyu_2011</author><pubDate>Sun, 29 Jul 2018 00:18:25 +0800</pubDate><description><![CDATA[       本人以前是做java web开发的，但这个方向日渐成熟，便开始考虑换个热门的方向，正好人工智能正处于风口上，便下定决心转向AI的怀抱。人工智能领域很广，万事都得有个基础，机器学习就是其基础。本文将以笔记的方式连续记录自己在机器学习算法的道路上遇到的坑和积攒的心得，分享出来以求共勉。

       搞程序的首先第一步是搭建编程环境，由于是windows系统，我选择了界面稍微易用些的P...]]></description><category></category></item><item><title><![CDATA[基于内容的推荐算法（Content-based Recommendations）]]></title><link>https://blog.youkuaiyun.com/xiaoyu_2011/article/details/50526140</link><guid>https://blog.youkuaiyun.com/xiaoyu_2011/article/details/50526140</guid><author>xiaoyu_2011</author><pubDate>Fri, 15 Jan 2016 22:08:39 +0800</pubDate><description><![CDATA[转自：http://www.cnblogs.com/breezedeus/archive/2012/04/10/2440488.html


Collaborative Filtering Recommendations (协同过滤，简称CF) 是目前最流行的推荐方法，在研究界和工业界得到大量使用。但是，工业界真正使用的系统一般都不会只有CF推荐算法，Content-based Recomm]]></description><category></category></item></channel></rss>