<?xml version="1.0" encoding="utf-8" ?><rss version="2.0"><channel><title><![CDATA[xyc_undermoon的博客]]></title><description><![CDATA[]]></description><link>https://blog.youkuaiyun.com/xyc_undermoon</link><language>zh-cn</language><generator>https://blog.youkuaiyun.com/</generator><copyright><![CDATA[Copyright &copy; xyc_undermoon]]></copyright><item><title><![CDATA[数据可视化笔记 Task5 - Matplotlib样式色彩]]></title><link>https://blog.youkuaiyun.com/xyc_undermoon/article/details/122654803</link><guid>https://blog.youkuaiyun.com/xyc_undermoon/article/details/122654803</guid><author>xyc_undermoon</author><pubDate>Sun, 23 Jan 2022 19:04:42 +0800</pubDate><description><![CDATA[数据可视化笔记 Task5 - Matplotlib样式色彩]]></description><category></category></item><item><title><![CDATA[数据可视化笔记 Task4 - Matplotlib文本]]></title><link>https://blog.youkuaiyun.com/xyc_undermoon/article/details/122611091</link><guid>https://blog.youkuaiyun.com/xyc_undermoon/article/details/122611091</guid><author>xyc_undermoon</author><pubDate>Fri, 21 Jan 2022 23:45:01 +0800</pubDate><description><![CDATA[数据可视化笔记 Task4 - Matplotlib文本]]></description><category></category></item><item><title><![CDATA[数据可视化笔记 Task3 - Matplotlib布局]]></title><link>https://blog.youkuaiyun.com/xyc_undermoon/article/details/122532237</link><guid>https://blog.youkuaiyun.com/xyc_undermoon/article/details/122532237</guid><author>xyc_undermoon</author><pubDate>Tue, 18 Jan 2022 23:56:38 +0800</pubDate><description><![CDATA[数据可视化笔记 Task3 - Matplotlib布局



...]]></description><category></category></item><item><title><![CDATA[数据可视化笔记 Task2 - Artist“艺术画笔”（二）]]></title><link>https://blog.youkuaiyun.com/xyc_undermoon/article/details/122504110</link><guid>https://blog.youkuaiyun.com/xyc_undermoon/article/details/122504110</guid><author>xyc_undermoon</author><pubDate>Mon, 17 Jan 2022 01:31:17 +0800</pubDate><description><![CDATA[数据可视化笔记 Task2 - Artist“艺术画笔”（二）


]]></description><category></category></item><item><title><![CDATA[数据可视化笔记 Task2 - Artist“艺术画笔”（一）]]></title><link>https://blog.youkuaiyun.com/xyc_undermoon/article/details/122484114</link><guid>https://blog.youkuaiyun.com/xyc_undermoon/article/details/122484114</guid><author>xyc_undermoon</author><pubDate>Fri, 14 Jan 2022 01:12:05 +0800</pubDate><description><![CDATA[数据可视化学习笔记——task2 对matplotlib重要对象Artist的学习]]></description><category></category></item><item><title><![CDATA[数据可视化笔记 Task1 - 走进Matplotlib]]></title><link>https://blog.youkuaiyun.com/xyc_undermoon/article/details/122443551</link><guid>https://blog.youkuaiyun.com/xyc_undermoon/article/details/122443551</guid><author>xyc_undermoon</author><pubDate>Tue, 11 Jan 2022 23:38:04 +0800</pubDate><description><![CDATA[matplotlib数据可视化Task1]]></description><category></category></item><item><title><![CDATA[Datawhale学习笔记——Matplotlib数据可视化]]></title><link>https://blog.youkuaiyun.com/xyc_undermoon/article/details/122438892</link><guid>https://blog.youkuaiyun.com/xyc_undermoon/article/details/122438892</guid><author>xyc_undermoon</author><pubDate>Tue, 11 Jan 2022 19:10:09 +0800</pubDate><description><![CDATA[Matplotlib数据可视化入门笔记]]></description><category></category></item><item><title><![CDATA[数据分析入门（学术前沿趋势分析）Task5-作者信息关联]]></title><link>https://blog.youkuaiyun.com/xyc_undermoon/article/details/113083007</link><guid>https://blog.youkuaiyun.com/xyc_undermoon/article/details/113083007</guid><author>xyc_undermoon</author><pubDate>Sun, 24 Jan 2021 15:00:01 +0800</pubDate><description><![CDATA[Ⅰ、主要内容纲要

主题：对作者间的关系进行建模并分析，统计关联最大的作者关系
	内容： 构建作者关系图
	数据集：arXiv
Ⅱ、数据处理思路


	处理步骤：
	
将作者列表进行处理，并完成统计。具体步骤如下：

1）将论文第一作者与其他作者（非第一作者）关系构建图结构；

2）使用图算法相关操作统计图中某作者与其他作者的联系。


	社交网络：
	
社交网络是一种网络，属于图的一种类型。图是一种重要的结构，是离散数学、数据结构、运筹学等学科的重要内容，广泛应用于现实生活中（如交通规划、网络规划、...]]></description><category></category></item><item><title><![CDATA[数据分析入门（学术前沿趋势分析）Task4-论文种类分类]]></title><link>https://blog.youkuaiyun.com/xyc_undermoon/article/details/112968816</link><guid>https://blog.youkuaiyun.com/xyc_undermoon/article/details/112968816</guid><author>xyc_undermoon</author><pubDate>Fri, 22 Jan 2021 01:19:30 +0800</pubDate><description><![CDATA[Ⅰ、主要内容纲要

主题：利用数据建模，对新论文进行分类
	内容： 借助论文标题、摘要完成论文分类
	数据集：arXiv
Ⅱ、数据处理思路

原始arxiv论文中论文有对应的类别，由作者填写，因此我们可以借助论文的标题和摘要完成分类，主要步骤如下：

对论文标题和摘要进行处理；
	对论文类别进行处理；
	构建文本分类模型；
文本分类的思路有多种，这里简单介绍几类：

思路1：TF-IDF+机器学习分类器


思路2：FastText


思路3：WordVec+深度学习分类器


思路4：Bert词向...]]></description><category></category></item><item><title><![CDATA[数据分析入门（学术前沿趋势分析）Task3-论文代码统计]]></title><link>https://blog.youkuaiyun.com/xyc_undermoon/article/details/112748016</link><guid>https://blog.youkuaiyun.com/xyc_undermoon/article/details/112748016</guid><author>xyc_undermoon</author><pubDate>Sun, 17 Jan 2021 22:18:04 +0800</pubDate><description><![CDATA[Ⅰ、主要内容纲要

主题：对所有出现代码的论文进行统计，学习正则表达式
	内容： 使用正则表达式统计代码连接、页数和图表数据
	数据集：arXiv
Ⅱ、数据处理分析


	步骤：
	
论文作者经常会在论文的comments或abstract字段中给出具体的代码链接，因此需要从这些字段里面找出代码的链接，主要分为三步：



确定数据位置；
	进行匹配（正则表达式）；
	完成相关的统计；

	正则表达式：
	
正则表达式(regular expression)描述了一种字符串匹配的模式（pattern），可.]]></description><category></category></item><item><title><![CDATA[数据分析入门（学术前沿趋势分析）Task2-论文作者统计]]></title><link>https://blog.youkuaiyun.com/xyc_undermoon/article/details/112689786</link><guid>https://blog.youkuaiyun.com/xyc_undermoon/article/details/112689786</guid><author>xyc_undermoon</author><pubDate>Sun, 17 Jan 2021 15:08:46 +0800</pubDate><description><![CDATA[Ⅰ、主要内容纲要

主题：统计出现频率top10的论文作者
	内容：学习利用 Pandas 读取数据并进行统计以及字符串操作
	数据集：arXiv
Ⅱ、数据处理分析

原始arxiv数据集中中”author”字段是字符串格式，这意味着所有论文作者的名字是存放在一起的，因此要对字符串进行处理，提取出各个作者的姓名。姓名之间通过逗号分隔，因此可以以逗号为标志符将作者划分，然后将作者姓名中的非常规字符剔除。（我们得到的数据集中author_parsed已经将作者信息进行了处理，我们可以直接使用。）


【注】（p]]></description><category></category></item><item><title><![CDATA[数据分析入门（学术前沿趋势分析）Task1-论文数据统计]]></title><link>https://blog.youkuaiyun.com/xyc_undermoon/article/details/112552113</link><guid>https://blog.youkuaiyun.com/xyc_undermoon/article/details/112552113</guid><author>xyc_undermoon</author><pubDate>Wed, 13 Jan 2021 15:46:42 +0800</pubDate><description><![CDATA[此次赛题是零基础入门数据分析（学术前沿趋势分析），使用公开的arXiv论文完成对应的数据分析操作。赛题内容包括对论文数量、作者出现频率、论文源码的统计，对论文进行分类以及对论文作者的关系进行建模。

Ⅰ、数据及背景

主题：统计论文数量
	内容：理解赛题、学习利用 Pandas 读取数据并进行统计
	数据集：arXiv 重要的学术公开网站，也是搜索、浏览和下载学术论文的重要工具。arXiv论文涵盖的范围非常广，涉及物理学的庞大分支和计算机科学的众多子学科，如数学、统计学、电气工程、定量生物学和经济学等等。
]]></description><category></category></item><item><title><![CDATA[随记——C++传参、取址运算符]]></title><link>https://blog.youkuaiyun.com/xyc_undermoon/article/details/112551796</link><guid>https://blog.youkuaiyun.com/xyc_undermoon/article/details/112551796</guid><author>xyc_undermoon</author><pubDate>Wed, 13 Jan 2021 01:55:00 +0800</pubDate><description><![CDATA[一直对C++中“ * ”、“ &amp; ”这两个运算符感觉很懵，心血来潮做个程序试验试验，加深一下对其的理解，顺便做个笔记。

一、取址符“&amp;”与引用“&amp;”


int x = 12;    
int* p = &amp;x;    //定义int*类型变量并初始化，指针变量*p指向x的地址，p的值为x的地址值
cout &lt;&lt; "p: " &lt;&lt; p &lt;&lt; endl;
cout &lt;&lt; "*p: " &lt;&lt; *p &lt;&lt; en]]></description><category></category></item><item><title><![CDATA[LeetCode分类算法笔记2——动态规划]]></title><link>https://blog.youkuaiyun.com/xyc_undermoon/article/details/108161976</link><guid>https://blog.youkuaiyun.com/xyc_undermoon/article/details/108161976</guid><author>xyc_undermoon</author><pubDate>Sat, 22 Aug 2020 17:40:04 +0800</pubDate><description><![CDATA[算法学习笔记——LeetCode分类算法

2.动态规划

1.主要思想

当一个问题通过划分为众多子问题进行求解时，就需要对子问题的求解进行规划，以减少冗余计算，提高算法效率，达到优化算法的目的——这种时候就应当考虑用动态规划对子问题进行调度。这种问题往往是递归问题。

动态规划往往适用于有重叠子问题和最优子结构性质的问题，动态规划方法所耗时间往往远少于朴素解法。

2.动态规划的要素

重叠子问题：动态规划法仅仅解决每个子问题一次，具有天然剪枝的功能，从而减少计算量，一旦某个给定子问题的解已经算出，则将]]></description><category></category></item><item><title><![CDATA[LeetCode分类算法笔记1——分治]]></title><link>https://blog.youkuaiyun.com/xyc_undermoon/article/details/108062947</link><guid>https://blog.youkuaiyun.com/xyc_undermoon/article/details/108062947</guid><author>xyc_undermoon</author><pubDate>Mon, 17 Aug 2020 20:03:20 +0800</pubDate><description><![CDATA[算法学习笔记——LeetCode分类算法

1.分而治之

1.主要思想

对一个大规模的问题运用分治策略，就是将这个大规模的问题划分成若干小规模的子问题，然后对这这些子问题进行求解，最后按划分将求得的结果进行合并，就得到了原问题的解。分治思想就是将分解，即将大问题分解为若干小问题，然后各个击破。

利用分治算法求解问题的步骤可以如下表示：

1.分：将大问题分解成众多小问题；

2.治：求解各个小问题；

3.合：将解决的问题合并

【注】分治是一种策略，如果一个大问题进行一次分解后仍然无法轻易解出，则可]]></description><category></category></item><item><title><![CDATA[机器学习入门笔记07-k近邻]]></title><link>https://blog.youkuaiyun.com/xyc_undermoon/article/details/104055994</link><guid>https://blog.youkuaiyun.com/xyc_undermoon/article/details/104055994</guid><author>xyc_undermoon</author><pubDate>Mon, 20 Jan 2020 20:28:46 +0800</pubDate><description><![CDATA[k近邻算法

k近邻(k-Nearest Neighbor)学习是一种常见的监督学习方法，其算法简单、直观：首先寻找与预测数据最近的k个样本数据，然后观察这k个样本数据的标记类别，数量最多的类别就作为预测数据的类别。我们用图表示一下：



如上图，中间绿色的圆点为要预测的数据，样本数据有两种类型，分别用正方形和三角形表示，当k=3时，就如图中实现所围，距离预测点最近的3个点中两个为三角形，一个为...]]></description><category></category></item><item><title><![CDATA[机器学习入门笔记06-朴素贝叶斯]]></title><link>https://blog.youkuaiyun.com/xyc_undermoon/article/details/104046444</link><guid>https://blog.youkuaiyun.com/xyc_undermoon/article/details/104046444</guid><author>xyc_undermoon</author><pubDate>Sun, 19 Jan 2020 23:37:40 +0800</pubDate><description><![CDATA[朴素贝叶斯(naïve Bayes)分类器是一种常用的分类算法，属于机器学习十大算法之一。正如其名称所体现的，朴素贝叶斯分类器的确很“朴素”，可以说它是贝叶斯理论甚至分类算法中最简单的算法之一。先看一看贝叶斯定理——

贝叶斯定理

贝叶斯定理如下：



其中P(A|B)是表示B发生的情况下A发生的概率。这个定理有什么用呢？

我们先来看一个例子：春节到了，老妈包了300个饺子（假设这300个饺...]]></description><category></category></item><item><title><![CDATA[机器学习入门笔记05-聚类]]></title><link>https://blog.youkuaiyun.com/xyc_undermoon/article/details/104032330</link><guid>https://blog.youkuaiyun.com/xyc_undermoon/article/details/104032330</guid><author>xyc_undermoon</author><pubDate>Sat, 18 Jan 2020 18:20:46 +0800</pubDate><description><![CDATA[无监督学习

无监督学习是一类机器学习算法，在无监督学习中，训练样本的标记信息是未知的，目标是通过对无标记训练样本的学习来揭示数据的内在性质及规律，为进一步数据分析提供基础。通俗的讲，无监督学习就是“从无规律中找到规律”，在未知样本的真实结果的情况下，通过自主学习找到样本之间的一些规律，并将这些规律用于预测。

聚类是常见的一类无监督学习任务。简单地说，聚类就是把杂乱的数据划归为特定的几类，并且这...]]></description><category></category></item><item><title><![CDATA[机器学习入门笔记04-决策树]]></title><link>https://blog.youkuaiyun.com/xyc_undermoon/article/details/104012326</link><guid>https://blog.youkuaiyun.com/xyc_undermoon/article/details/104012326</guid><author>xyc_undermoon</author><pubDate>Thu, 16 Jan 2020 23:06:44 +0800</pubDate><description><![CDATA[之前做过一篇决策树基本原理的笔记，连接：https://blog.youkuaiyun.com/xyc_undermoon/article/details/90486195

信息论部分可参考吴军博士所著《数学之美》第六章内容，浅显易懂，对基础信息论的理解很有帮助；这次笔记记录一些常见决策树算法以及实现代码。

这里先简单回忆一下决策树：决策树是通过不断地选择特征对目标进行判断，我觉得数学中常用的二分法的思想...]]></description><category></category></item><item><title><![CDATA[机器学习入门笔记03-logistics回归]]></title><link>https://blog.youkuaiyun.com/xyc_undermoon/article/details/103965849</link><guid>https://blog.youkuaiyun.com/xyc_undermoon/article/details/103965849</guid><author>xyc_undermoon</author><pubDate>Mon, 13 Jan 2020 23:43:29 +0800</pubDate><description><![CDATA[线性回归对于分类问题

线性回归解决的是回归问题，即连续变量的问题，在直角坐标系下就是用直线去拟合数据点；虽然在分类问题中也可以用线性回归模型，但效果不好。线性模型为




其产生的预测值是一个实值，因此，若要实现分类问题，则可考虑通过对线性模型所预测的结果再进行一次变换，从而实现分类，此时模型可表示为：





logistics回归原理

对于二分类问题，我们要预测“正”、“反”两种结...]]></description><category></category></item></channel></rss>