Hoo的学习记录

人工智能 现代方法 部分习题

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)。

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

**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。

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；

条件格式、迷你图、数据透视、可视化表格均是直观展现数据内容。

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。

用于Excel学习记录，以及快捷键查找，包含Windows与Mac键位。

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；

Datawhale 202208 GitModel |线性规划 整数规划 多目标规划 灵敏度分析

Datawhale 202205 Git学习记录

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

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=n1​1∑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：

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

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.

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；

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

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

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