会员
周边
众包
新闻
博问
闪存
赞助商
Chat2DB
所有博客
当前博客
我的博客
我的园子
账号设置
会员中心
简洁模式
...
退出登录
注册
登录
massquantity
博客园
首页
新随笔
联系
订阅
管理
随笔 - 42
文章 - 0
评论 - 66
阅读 -
90万
当前标签：Hadoop
AWS EC2 搭建 Hadoop 和 Spark 集群
massquantity 2019-12-24 19:19
阅读:7568
评论:0
推荐:1
编辑
公告
昵称：
massquantity
园龄：
7年8个月
粉丝：
150
关注：
3
+加关注
<
2025年3月
>
日
一
二
三
四
五
六
23
24
25
26
27
28
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
1
2
3
4
5
搜索
我的标签
机器学习
(19)
Python
(11)
Java
(5)
深度学习
(5)
集成学习
(5)
数学
(4)
推荐系统
(3)
数据结构+算法
(3)
Keras
(2)
kaggle
(2)
更多
积分与排名
积分 - 113392
排名 - 13387
随笔档案
2022年8月(1)
2020年10月(1)
2020年4月(1)
2020年3月(1)
2019年12月(1)
2019年10月(1)
2019年8月(1)
2019年7月(1)
2019年5月(2)
2019年3月(1)
2019年2月(2)
2019年1月(2)
2018年12月(2)
2018年10月(1)
2018年9月(2)
2018年8月(2)
2018年7月(4)
2018年6月(3)
2018年5月(4)
2018年4月(2)
2018年3月(4)
2018年1月(2)
2017年8月(1)
更多
阅读排行榜
1. numpy.where() 用法详解(514814)
2. 常见回归和分类损失函数比较(44889)
3. Kaggle竞赛 —— 房价预测 (House Prices)(35797)
4. 机器学习之类别不平衡问题 (3) —— 采样方法(35490)
5. 集成学习之Boosting —— Gradient Boosting原理(30591)
6. 特征选择： 卡方检验、F 检验和互信息(25458)
7. 拉格朗日乘子法 - KKT条件 - 对偶问题(16576)
8. 机器学习之类别不平衡问题 (2) —— ROC和PR曲线(14445)
9. 在线优化算法 FTRL 的原理与实现(14433)
10. 使用Pandas: str.replace() 进行文本清洗(13990)
11. 支持向量机 (二)： 软间隔 svm 与 核函数(13547)
12. Python 多进程、多线程效率比较(11945)
13. 支持向量机 (三)： 优化方法与支持向量回归(11705)
14. 机器学习之类别不平衡问题 (1) —— 各种评估指标(11102)
15. 集成学习之Boosting —— AdaBoost原理(10816)
16. EM算法及其应用： K-means 与 高斯混合模型(9835)
17. 运用深度学习进行文本生成(7714)
18. AWS EC2 搭建 Hadoop 和 Spark 集群(7568)
19. 支持向量机 (一)： 线性可分类 svm(7301)
20. Ubuntu 16.04系统开机紫屏的解决办法(6474)
评论排行榜
1. Kaggle竞赛 —— 房价预测 (House Prices)(15)
2. 拉格朗日乘子法 - KKT条件 - 对偶问题(8)
3. 运用深度学习进行艺术风格转换(5)
4. 集成学习之Boosting —— Gradient Boosting原理(5)
5. 常见回归和分类损失函数比较(5)
推荐排行榜
1. numpy.where() 用法详解(22)
2. 机器学习之类别不平衡问题 (3) —— 采样方法(13)
3. 特征选择： 卡方检验、F 检验和互信息(12)
4. 拉格朗日乘子法 - KKT条件 - 对偶问题(11)
5. 运用深度学习进行文本生成(9)
6. 机器学习之类别不平衡问题 (2) —— ROC和PR曲线(7)
7. Flink + 强化学习 搭建实时推荐系统(6)
8. Python 多进程、多线程效率比较(6)
9. 常见回归和分类损失函数比较(6)
10. 支持向量机 (一)： 线性可分类 svm(5)
最新评论
1. Re:机器学习之类别不平衡问题 (2) —— ROC和PR曲线
写的非常好！！！
--勁
2. Re:numpy.where() 用法详解
根据： 对于例子：np.where([[0, 1], [1, 0]]) (array([0, 1]), array([1, 0])) 返回的Tuple描述出每一个非零元素在不同维度的索引值。数组[[0...
--marcus1877
3. Re:TDM 三部曲 (与 Deep Retrieval)
@shuai3 训练的时候正样本叶节点上溯得到的祖先节点也会被设为正样本。正样本叶节点 label 为 1,那么其祖先节点 label 都是 1,其余节点 label 都是 0，训练是让 $p(n|u...
--massquantity
4. Re:TDM 三部曲 (与 Deep Retrieval)
请问， （1）、TDM中的公式1.1是怎么保证的呢？ （2）、JTM中“那么所谓的试错法就是把一个物品映射到每一个可能的节点，分别计算 (2.2) 式”这个时候，其祖先节点的表示是哪里来的呢？我理解应...
--shuai3
5. Re:特征选择： 卡方检验、F 检验和互信息
不错不错，学习了。
--bambooxingxiaojun
点击右上角即可分享
