王朝君BITer

2019年7月22日

摘要：线性表：由零个或多个数据元素组成的有限序列。元素之间有先后关系，若有多个元素，第一个无前驱最后一个无后继，其他元素都只有一个前驱和后继。（一对一关系）数据类型：一组性质相同的值的集合及定义在此集合上的一些操作的总称。抽象数据类型：一个数学模型及定义在该模型上的一组操作。（对已有数据类型进行抽象阅读全文

posted @ 2019-07-22 16:21 王朝君BITer 阅读(376) 评论(0) 推荐(0) 编辑

数据结构和算法绪论

摘要：程序设计 = 数据结构 + 算法数据结构：逻辑结构（数据对象中数据元素之间的相互关系）和物理结构（数据的逻辑结构在计算机中的存储形式）。逻辑结构：集合结构（只有同属一个集合的关系）、线性结构（一对一的关系）树形结构（存在一对多的层次关系）、图形结构（多对多的关系）。物理结构：顺序存储（把数据放阅读全文

posted @ 2019-07-22 15:10 王朝君BITer 阅读(134) 评论(0) 推荐(0) 编辑

Docker 核心技术

摘要： docker是什么？为什么会出现？容器虚拟化技术；轻量级的虚拟机（但不是虚拟机）开发：提交代码 ——> 运维：部署在这中间，因为环境和配置，出现问题 ——> 把代码/配置/系统/数据...自底至上一起打包成镜像一次封装构建，到处运行 docker：用于将应用以轻量级容器的形式pack、shi 阅读全文

posted @ 2019-07-22 10:22 王朝君BITer 阅读(286) 评论(0) 推荐(0) 编辑

2019年7月18日

集成方法 Ensemble

摘要：一、bagging 用于基础模型复杂、容易过拟合的情况，用来减小 variance（比如决策树）。基础模型之间没有太多联系（相对于boosting来说），训练可以并行。但用 bagging 并不能有助于把数据拟合的更准（那是减小 bias，要用 boosting）。每次训练一个基础模型，都从 N 阅读全文

posted @ 2019-07-18 16:29 王朝君BITer 阅读(3384) 评论(0) 推荐(0) 编辑

特征工程 Feature Engineering

摘要：关于特征工程很棒的一篇博客。地址：https://www.cnblogs.com/jasonfreak/p/5448385.html 阅读全文

posted @ 2019-07-18 11:40 王朝君BITer 阅读(179) 评论(0) 推荐(0) 编辑

2019年7月17日

支持向量机 Support Vector Machine

摘要：一、主要思想：最大间隔间隔（最小距离；函数间隔与几何间隔）、对偶（KKT条件；拉格朗日乘数法）、核方法（低维直接算高维内积；Gram 矩阵半正定）二、hard-margin 线性可分三、soft-margin 基本上线性可分，允许存在一点点错误。引入松弛变量四、kernel trick 非阅读全文

posted @ 2019-07-17 21:13 王朝君BITer 阅读(191) 评论(0) 推荐(0) 编辑

2019年7月16日

深度学习模型训练技巧 Tips for Deep Learning

摘要：一、深度学习建模与调试流程先看训练集上的结果怎么样（有些机器学习模型没必要这么做，比如决策树、KNN、Adaboost 啥的，理论上在训练集上一定能做到完全正确，没啥好检查的） Deep Learning 里面过拟合并不是首要的问题，或者说想要把神经网络训练得好，至少先在训练集上结果非常好，再考虑阅读全文

posted @ 2019-07-16 17:41 王朝君BITer 阅读(1186) 评论(0) 推荐(1) 编辑

反向传播 Backpropagation

摘要：前向计算：没啥好说的，一层一层套着算就完事了 y = f( ... f( Wlayer2T f( Wlayer1Tx ) ) ) 反向求导：链式法则单独看一个神经元的计算，z (就是logit）对 wi 的偏微分等于 xi ：再看多层的情况，z 经过激活函数得到 a，而 a 在下一层和 w3 阅读全文

posted @ 2019-07-16 17:31 王朝君BITer 阅读(272) 评论(0) 推荐(0) 编辑

2019年7月15日

线性分类 Linear Classification

摘要：软分类：y 的取值只有正负两个离散值，例如 {0, 1} 硬分类：y 是正负两类区间中的连续值，例如 [0, 1] 一、感知机主要思想：分错的样本数越少越好用指示函数统计分错的样本数作为损失函数，不可微；对错误分类样本，∑ -yi * f(xi) = ∑ -yi * WTxi (因为求和项一定阅读全文

posted @ 2019-07-15 22:41 王朝君BITer 阅读(2946) 评论(0) 推荐(0) 编辑

梯度下降 Gradient Descent

摘要： θ* = argmin L(θ) 梯度方向：损失函数等高线的法线方向（切线方向，变化最快的方向） θt+1 = θt - ηg(θt) 关于梯度下降的Tips: 1. 调整学习率　adaptive learning rates 简单直觉的想法：训练刚开始的时候可以用比较大的学习率；经过一些epoch 阅读全文

posted @ 2019-07-15 17:51 王朝君BITer 阅读(530) 评论(0) 推荐(0) 编辑

公告