摘要: Sparse Coding 稀疏编码 稀疏编码算法是一种无监督学习方法,它用于寻找一组“超完备基(over-complete bases)”来更高效地表示样本数据。 换句话收,稀疏编码算法的目的就是找到一组基向量Φϕ,使得我们能将输入向量 x 表示为这些基向量的线性组合 “稀疏性(sparsity 阅读全文
posted @ 2024-12-13 16:13 kingwzun 阅读(8) 评论(0) 推荐(0) 编辑
摘要: 现在最常用的是GCN,所以首先讲解。后面再根据模型的发展历程讲解。 图卷积神经网络GCN 原文:GNN | 从序列神经网络到GCN、GraphSage、GAT图模型总结 我们发现,无论是序列结构,还是图结构,其在增强token表示的过程,实际上是融合上下文信息的过程。以CNN为例,其通过滑窗的方式, 阅读全文
posted @ 2024-12-13 15:01 kingwzun 阅读(11) 评论(0) 推荐(0) 编辑
摘要: 我们使用vs code运行R语言代码. 参考教程:用 Conda 管理 R 环境并配合 VS Code 优化数据分析代码体验 ssh连接 conda配置 默认都会 ssh连接教程:VS Code / Pycharm配置SSH远程开发(免密登录) conda配置教程:纯小白 远程Linux服务器无ro 阅读全文
posted @ 2024-12-09 15:30 kingwzun 阅读(12) 评论(0) 推荐(0) 编辑
摘要: 链表 7-3 单链表的创建,遍历与销毁 从键盘输入任意多个正整数,输入以-1结束。逆序输出这些整数(不包括-1)。 提示: 1、逆序创建单链表。结点数据域是整型数。每输入一个整数,向链表中插入一个结点。当输入-1时结束链表的创建。 2、遍历链表,输出结点数据域的值。 3、遍历完成后,要求销毁该链表。 阅读全文
posted @ 2024-11-15 10:29 kingwzun 阅读(12) 评论(0) 推荐(1) 编辑
摘要: 好的,我将按照你的要求,将之前的回复中的``````和``,替换成$,并重新整理一下,以期更清晰地呈现: 拉格朗日乘子法在GMM中的应用:详细解析 问题回顾 我们希望在约束条件\(\sum_{k=1}^K \pi_k = 1\)下,最大化如下拉格朗日函数: \[L = \sum_{n=1}^N \s 阅读全文
posted @ 2024-11-04 22:54 kingwzun 阅读(5) 评论(0) 推荐(0) 编辑
摘要: work4 证明函数是否是凸函数 题目:要求证明两个性质: Logistic函数 \(f(\mathbf{x}; \beta) = \frac{1}{1 + e^{-\beta^T \mathbf{x}}}\) 对参数 \(\beta\) 是非凸的。 对数似然函数 \(L(\beta) = -y_0 阅读全文
posted @ 2024-10-12 23:45 kingwzun 阅读(29) 评论(0) 推荐(0) 编辑
摘要: 一、绪 论 启发式小故事: AlphaGo 理论 算法 数据 建模 对策 学习16万局业余棋手比赛 AlphaGo Zero 3天后: 100:0 超越AlphaGo Lee 21天后:达到AlphaGo Master 40天后:超过所有之前的版本 Thoughts about AlphaGo Ze 阅读全文
posted @ 2024-10-09 10:43 kingwzun 阅读(8) 评论(0) 推荐(0) 编辑
摘要: 工具准备 R语言:Linux下无root权限安装R语言(conda安装和普通安装) python:conda安装 cellranger:后面用到会说 概述/扫盲 什么是单细胞 RNA 测序(scRNA-Seq)数据? 单细胞 RNA 测序(single-cell RNA seq,scRNA-Seq) 阅读全文
posted @ 2024-09-24 16:40 kingwzun 阅读(446) 评论(0) 推荐(0) 编辑
摘要: (单细胞下游分析——存储方式汇总,不同类型的数据读入) 数据读入采取scanpy库进行:scanpy库是用于单细胞数据分析的 Python 库 下面几种数据存储的核心数据都是一样的,只是格式不同。 .h5ad(anndata 数据格式) .h5ad数据结构解释(anndata 数据格式) 官方网站: 阅读全文
posted @ 2024-09-19 17:49 kingwzun 阅读(462) 评论(0) 推荐(0) 编辑
摘要: 简介及导入转自:torch.nn.Embedding使用 在RNN模型的训练过程中,需要用到词嵌入,使用torch.nn.Embedding可以快速的完成:只需要初始化torch.nn.Embedding(n,m)即可(n是单词总数,m是词向量的维度)(n是嵌入字典的大小,m是嵌入向量的维度。)。 阅读全文
posted @ 2024-09-12 20:30 kingwzun 阅读(36) 评论(0) 推荐(0) 编辑