摘要：
熟练《机器学习实战》和《花书》中的所有知识点 熟练《剑指Offer》中的所有知识点 熟练Pytorch操作 经常参加和复现Kaggle竞赛 数据降维：复现PCA、LE、LLE、LBP 集成学习：复现Kaggle竞赛前5名 强化学习：复现Kaggle竞赛前5名 深度学习：复现ImageNet竞赛上的一 阅读全文
摘要：
Pipeline可以将许多算法模型串联起来，比如将特征提取、归一化、分类组织在一起形成一个典型的机器学习问题工作流。主要带来两个好处： 1.直接调用fit和predict方法来对pipeline中的所有算法模型进行训练和预测 2.可以结合grid search对参数进行选择 在下面的例子中，我们使用 阅读全文
摘要：
seaborn.heatmap pandas.info(): 获得列信息，包括列名，个数和数据类型 pandas.drop('Cabin', axis=1, inplace=True)：删除指定列，axis=1，表示删除列， pandas.head():查看前6行数据，显示列名和6行数据 panda 阅读全文
摘要：
参考链接： https://zhuanlan.zhihu.com/p/31886934 https://www.cnblogs.com/yymn/p/4589689.html Karush-Kuhn-Tucker (KKT)条件 阅读全文
摘要：
1. 概述 Logistic回归分析也用于研究影响关系，即X对于Y的影响情况。Y为定量数据，X可以是定量数据或定类数据。主要是研究二分类观察结果与一些影响因素之间关系的一种多变量分析方法。因变量可以是二分类的，也可以是多分类的。主要在流行病学中应用较多，比较常用的情形是探索某疾病的危险因素，根据危险 阅读全文
摘要：
1 朴素贝叶斯 是一种简单但极为强大的预测建模算法，之所以成为朴素，是因为它假设每个输入变量是独立的。这个假设在现实生活中不可能满足，但是这项技术对于绝大部分的复杂问题仍然非常有效。 朴素贝叶斯模型由两种类型的概率组成： 1、每个类别的概率P(Cj) 2、每个属性的条件概率P(Ai|Cj) 举例： 阅读全文
摘要：
一、DT（决策树算法）概述 一句话：以信息熵为度量构造一棵熵值下降最快的树，到叶子节点处熵值为0（叶节点中的实例都属于一类）。 自顶向下的递归方法选择最优特征，并根据该特征对训练数据进行分割，使得各个子数据集有一个最好的分类的过程。 决策树算法：ID3和C4.5都是基于信息增益作为特征选择的度量，C 阅读全文
摘要：
一、KNN（k-近邻算法）工作原理 一句话：从训练集中找出k个最接近测试数据的训练样本，再从这k个样本中找出出现次数最多的分类，作为测试数据的分类。 存在一个样本数据集合（训练样本集）且样本集中每个数据都存在标签（即我们知道样本集中每一数据与所属分类的对应关系）； 输入没有标签的数据后，将该数据的每 阅读全文
摘要：
控制窗口文字大小：Ctrl+、Ctrl- 显示隐藏文件：点开左侧Dock上的Files，然后点右上角的“三”，然后点击“Show Hidden Files”。 安装插件：点击Visual Studio Code左侧栏目中的方块按钮，安装插件：Anaconda Extension Pack、Visua 阅读全文
摘要：
显卡 显卡至少GeForece RTX 2060，因为只有rtx系列有Tensor Core。从性价比、可靠性多方面看，使用台式机更好。 对于深度学习显卡，显存比频率核心更重要。比如Titan X有12G的显存，不仅可接受一般任务，而且也可参加Kaggle、天池比赛，需要6G左右。若要实现一下网络， 阅读全文