- 博客(38)
- 收藏
- 关注
RSS订阅原创 Datawhale 202301 设计模式 | 第三章 人工智能 现代方法 搜索方法
当要采取的正确动作不是很明显时，智能体可能需要提前规划:考虑一个形成通往目标状 态路径的动作序列。这样的智能体被称为问题求解智能体(problem-solving agent)，它所进行 的计算过程被称为搜索(search)。
2023-01-24 14:42:48
864
原创 Datawhale 202301 设计模式 | 第一章 人工智能 现代方法 绪论（基础）
人工智能 现代方法 绪论，什么是人工智能：人工智能的基础、人工智能的历史、人工智能的风险和收益
2023-01-17 15:58:51
450
原创 Datawhale 202212 设计模式 | 第二章 23种设计模式
**设计模式总体分为三大类**：* **创建型模式**，共五种：工厂方法模式、抽象工厂模式、单例模式、建造者模式、原型模式。* **结构型模式**，共七种：适配器模式、装饰器模式、代理模式、外观模式、桥接模式、组合模式、享元模式。* **行为型模式**，共十一种：策略模式、模板方法模式、观察者模式、迭代子模式、责任链模式、命令模式、备忘录模式、状态模式、访问者模式、中介者模式、解释器模式。
2022-12-15 05:41:31
321
原创 Datawhale 202212 设计模式 | 第一章 设计原则
本章内容涉及到面向对象的设计模式中：* **三个基本特征**是：封装、继承、多态；* **四大特点**：可维护、可复用、可扩展、灵活性好；* **七大设计原则**：单一职责原则、开闭原则、里氏代换原则、依赖倒转原则、迪米特法则 、接口隔离原则、合成/聚合复用原则；
2022-12-14 00:35:53
250
原创 Datawhale 202210 Excel | 第五、六、七章 Excel函数示例 & Excel函数列表
Excel中有着非常丰富的函数，这些函数能大幅度提升我们的工作效率，本节中会重点介绍一些常用的Excel函数。
2022-10-17 17:23:49
1292
原创 Datawhale 202210 Excel | 第三章 快捷键操作示例 & Excel快捷键列表
用于Excel学习记录，以及快捷键查找，包含Windows与Mac键位。
2022-10-14 16:04:38
922
原创 Datawhale 202210 Excel | 学习笔记
学习使用Excel的基本使用方法，内容包括：数据导入、Excel数据格式、Excel快捷操作、Excel的表合并、Excel的函数、Excel数据可视化、Excel数据透视Excel数据看板；
2022-10-10 18:33:07
800
1
原创 Datawhale 202208 GitModel | 线性规划 下
优化过程说明：介绍基本梯度下降过程：1. 确定初始的迭代点；2. 确定迭代步骤；3. 确定如何迭代到什么时候能找到最优解, 即终止准则.
2022-08-18 22:37:02
118
原创 Datawhale 202208 GitModel | 线性规划 上
Datawhale 202208 GitModel |线性规划 整数规划 多目标规划 灵敏度分析
2022-08-15 17:16:17
451
原创 Datawhale 202112 - Linux学习 01
在给大家分享知识的过程中，发现很多同学在学习竞赛和工作中都存在下列问题：Linux不会操作，不知道文件目录创建、命令行等细节Linux不知道如何运行代码，保存模型
2021-12-17 16:33:19
1331
原创 Datawhale 202104 集成学习（下）| 蒸汽量预测
蒸汽量预测背景数据信息评价指标探索数据分布特征工程模型构建及机器学习背景锅炉燃烧效率包含众多影响因素，包括：锅炉的可调参数，如燃烧给量，一二次风，引风，返料风，给水水量；以及锅炉的工况，比如锅炉床温、床压，炉膛温度、压力，过热器的温度等。数据信息“V0-V37” 为38个特征变量，“target”作为目标变量，作为模型的预测数据。“target” 作为目标变量，需要利用训练数据与训练模型。评价指标最终的评价指标为均方误差MSE，即：Score=1n∑1n(yi−y∗)2Score = \fr
2021-05-24 00:27:40
220
原创 Datawhale 202104 集成学习（下）| 幸福感预测实例
集成学习 幸福感预测实例背景介绍数据介绍评价指标竞赛思路数据准备函数准备导入数据集查看数据的基本信息数据预处理数据增广背景介绍数据介绍数据具有139维特征，使用8000余组数据惊醒个人幸福感的预测，标记为[1，2，3，4，5]的几个级别；评价指标评价指标为MSE：Score=1n∑1n(yi−y∗)2 Score = \frac{1}{n} \sum_1 ^n (y_i - y^*)^2 Score=n11∑n(yi−y∗)2竞赛思路S1. 数据预处理异常值处理：补全缺失值处理：
2021-05-19 01:38:18
292
2
原创 Datawhale 202104 集成学习（下）| Stacking与Blending学习
Stacking学习记录Stacking简介Blending集成学习算法Stacking继承学习算法Stacking简介stacking严格来说并不是一种算法，对模型集成的一种策略。可以理解为一个两层的集成，第一层含有多个基础分类器，把预测的结果(元特征)提供给第二层， 而第二层的分类器通常是逻辑回归，他把一层分类器的结果当做特征做拟合输出预测结果。在介绍Stacking之前，我们先来对简化版的Stacking进行讨论，也叫做Blending，接着我们对Stacking进行更深入的讨论。Blendi
2021-05-11 22:08:19
276
转载 数据分析及图算法 | 导论
图算法导论何为图图分析和图算法图处理、图数据库、图查询和图算法图算法的应用何为图当今紧迫的数据挑战在于厘清关系，而不仅仅是对离散数据制表。图分析和图算法图处理、图数据库、图查询和图算法图算法的应用参考资料：《数据分析之图算法：基于Spark和Neo4j》Pass...
2021-04-23 18:27:10
615
原创 Datawhale 202104 集成学习（中）| Boosting学习
Boosting学习1. 导论2. Boosting方法的基本思路3. Adaboost算法4. 前向分布算法5. 梯度提升决策树（GBDT）6. XGBoost算法7. Xgboost算法案例8. LightGBM算法9. 结语1. 导论从方差偏差理论出发，Bagging通过降低方差的方式减少预测误差，Boosting通过降低偏差的方式减少误差。算法模型提升方法BoostingAdaboost2. Boosting方法的基本思路3. Adaboost算法4.
2021-04-16 19:06:49
325
原创 Datawhale 202104 集成学习（中）| 投票法与bagging
集成学习之投票法与bagging投票法简介分类（投票可以用于分类和回归模型中）：分类模型的投票可分为：投票法中注意点：投票法基础案例分析（基于sklean pipe管道的使用以及voting的使用）硬投票法（学习教程baseline）软投票法案例投票法简介痛点：算法得出的单一结果可能存在偏差，因此融合多个数据是降低误差的一个好方法，这就是投票法的基本思路。分类（投票可以用于分类和回归模型中）：按模型类型可分为：回归投票法：输出为所有结果的加权（平均）值；分类投票法：输出出现最多的结果；
2021-04-13 18:55:26
292
原创 Datawhale 202103 集成学习（上）| （补充）机器学习调参方案整理
机器学习调参总结S1： 机器学习调参基础S2：各种模型的调参S2.1 SVM模型S2.2 决策树模型S3：调参实例S3.1 调参思路：S3.2 实例S1： 机器学习调参基础【目标：理解调参调整的是总误差中的** 偏差-方差均衡 **】以线性回归模型为例，有高次项、低次项和常数项，我们训练模型的目的是使数据点的每一个值都恰好位于拟合函数上，这时模型在数据集的损失值误差即为0。但数据集中，训练集用于训练的数据耦合性好，测试集用于检验模型表示模型泛化性好坏。测试均方误差曲线呈现U型曲线，这表明了在测试
2021-03-21 02:03:48
428
转载 Datawhale 202103 集成学习（上）| （二）实践及模型调参
机器学习基础 目录S1 回归模型S1.1 线性回归S1.2 非线性回归S1.3 SVM 与 SVRS2 模型调优S2.1 优化基础S2.2 训练均方误差与测试均方误差S2.3 偏差-方差的权衡：S2.4 特征提取S2.5 压缩估计（正则化）：S2.6 降维S2.7 模型超参数调优S2.8 评估模型的性能并调参：方式1：网格搜索GridSearchCV()方式2：随机网格搜索RandomizedSearchCV()绘制混淆矩阵与ROC曲线S3 课后习题S1 回归模型S1.1 线性回归下面，我们使用skl
2021-03-18 21:00:48
336
原创 PyQt学习记录 -（一 ）快速入门
PyQt和Qt Designer符合MVC开发模式，做到显示和业务逻辑的分离，以下是PyQt的简单配置记录。PyQt学习记录S1：MVC开发模式S1.1 MVC模式构成S1.2 实现S2：下载安装S3： 快速入门S3.1 新建筑窗口S3.2 窗口主要区域介绍S3.3 查看UI文件S3.4 将.ui文件转为.py文件S3.5 界面与逻辑分离参考内容：S1：MVC开发模式S1.1 MVC模式构成MVC 模式代表 Model-View-Controller（模型-视图-控制器） 模式。这种模式用于应用程序
2021-03-12 23:18:26
295
原创 DCIC2021学习笔记 - TASK 2 结果提升
采用建议库函数结果为17.4530.经过KNN结果为17.51，提升不大。尝试调研滴滴出行调度方案后修改结果。
2021-02-27 00:04:23
301
原创 SQL学习 - Task06：综合练习
练习一: 各部门工资最高的员工（难度：中等）创建Employee 表，包含所有员工信息，每个员工有其对应的 Id, salary 和 department Id。±—±------±-------±-------------+| Id | Name | Salary | DepartmentId |±—±------±-------±-------------+| 1 | Joe | 70000 | 1 || 2 | Henry | 80000 | 2
2020-12-27 20:53:24
181
原创 SQL学习 - Task05：SQL高级处理
5.1 窗口函数5.1.1 窗口函数概念及基本的使用方法窗口函数也称为OLAP函数。OLAP 是OnLine AnalyticalProcessing 的简称，意思是对数据库数据进行实时分析处理。窗口函数的通用形式为：<窗口函数> over ([partion by <列名>]order by <排序用列名>)注意：① [ ] 中的内容可以省略② partition by 是用来分组的，即选择看哪个窗口，类似于group by 子句的分组功能，但是part
2020-12-25 17:01:26
121
原创 SQL学习 - Task04：集合运算
4.1 表的加减法4.1.1 什么是集合运算集合在数学领域表示“各种各样的事物的总和”，在数据库领域表示记录的集合.。具体来说，表、视图和查询的执行结果都是记录的集合，其中的元素为表或者查询结果中的每一行。在标准 SQL 中，分别对检索结果使用 UNION，INTERSECT， EXCEPT 来将检索结果进行并，交和差运算，像UNION，INTERSECT， EXCEPT这种用来进行集合运算的运算符称为集合运算符。以下的文氏图展示了几种集合的基本运算.ch04.01ch04.02ch04.02
2020-12-22 22:18:02
284
原创 SQL学习 - Task03：复杂一点的查询
Pass … 待补全之前接触了sql基本的查询用法，接下来介绍一些相对复杂的用法。3.1 视图我们先来看一个查询语句（仅做示例，未提供相关数据）SELECT stu_name FROM view_students_info;单从表面上看起来这个语句是和正常的从数据表中查询数据是完全相同的，但其实我们操作的是一个视图。所以从SQL的角度来说操作视图与操作表看起来是完全相同的，那么为什么还会有视图的存在呢？视图到底是什么？视图与表有什么不同呢？3.1.1 什么是视图视图是一个虚拟的表，不同于直接操
2020-12-20 21:11:18
205
原创 SQL Task02：基础查询与排序
本次学习过程中依然有许多细节需要注意，也让我复习到了许多已经忘却的知识，现总结如下。1.WHERE和HAVING这个知识点本不应该成为阻碍，但是由于最近没有细心学习sql，确实犯了一些小错误。总的来说，就是WHERE只能用于在表格中存在的字段的筛选，而HAVING可以用于一些自定义的字段。比如，按照以下这段代码，是查询不出任何结果的，而且还会报错select product_name,sale_price,purchase_price,(sale_price - purchase_price) as
2020-12-17 22:39:20
101
1
原创 SQL学习
1.1 初识数据库数据库是将大量数据保存起来，通过计算机加工而成的可以进行高效访问的数据集合。该数据集合称为数据库（Database,DB）。用来管理数据库的计算机系统称为数据库管理系统（Database Management System,DBMS）1.1.1 DBMS的种类DBMS 主要通过数据的保存格式（数据库的种类）来进行分类，现阶段主要有以下 5 种类型1）层次数据库2）关系数据库· Oracle Database：甲骨文公司的RDBMS· SQL Server：微软公司的RDBMS
2020-12-15 22:57:43
110
原创 CVPR 2018 Session 1-1B：Analyzing Humans in Image I
CVPR 2018 Session 1-1B：Analyzing Humans in Image I Oral1. [A7] Finding Tiny Faces in the Wild With Generative Adversarial Network, (小区域人脸识别)2. [A10] Learning Face Age Progression: A Pyramid Architect...
2019-05-25 21:48:59
315
原创 CVPR 2019 微软亚研 分享会
CVPR2019 微软亚研分享会“Perceive where to focus：learning visibilityaware part features for partial person reidentification” 行人再识别“Deeper and wider siamese networks for real-time visual tracking” 多帧跟踪“Visual...
2019-05-23 14:42:30
1090
原创 深度学习网络设计流程
深度学习网络设计流程Step 1：定义问题收集数据Step 2：选择衡量成功的指标Step 3：确定评估方法Step 4：准备数据Step 5：开发比基准更好的模型Step 6：扩大模型规模：开发过拟合的模型Step 7：模型正则化与调节超参数Step 1：定义问题收集数据确定问题是什么：即输入与预测分别是什么；确定分类问题：是二分类问题、多分类问题、标量回归问题、向量回归问题， 还是多分...
2018-10-30 12:27:16
1452
转载 01. Linux基础操作 (补充)
常用指令ls 显示文件或目录 -l 列出文件详细信息l(list) -a 列出当前目录下所有文件及目录，包括隐藏的a(all)mkdir 创建目录 -p 创建目录，若无父目录，则创建p(parent)cd 切换目录 touch...
2018-03-22 09:55:50
199
原创 01. Linux基础操作
1. 文件目录操作cd ./ 当前目录 cd ../ 返回上一级目录 cd ./*** 当前目录下的***文件夹 cd ~ 返回根目录 cd- 将工作...
2018-03-22 09:42:53
170
原创 STM32准备工作【Keil配置、keil模板建立、ST-Link V2下载配置】
0.STM32编程准备工作 名称 ：ST-Link V2 连接、Keil配置、文件模板建立 ；作者 ：卤化氢日期 ：2017/2/9编程环境 ：Win10 64位，Keil 5.11，ST外设库版本：3.5.0；【第一次写博，而且刚刚接触STM32，有不对的地方希望大家指出。】 下载安装 ST-Li...
2017-03-02 10:26:23
32166
4
空空如也
空空如也
TA创建的收藏夹 TA关注的收藏夹
TA关注的人