上一页 1 2 3 4 5 6 7 8 ··· 13 下一页
摘要: 本实例要实现目标通过输入城市名或者地名,然后找出其经度纬度值,以及通过可视化展现其线路流向以及周边地图展示 address_list数据: 山西省太原市小店区亲贤北街77号 贵州省贵阳市云岩区书香门第B栋3单元 北京市通州区神树商业街168号 贵州省贵阳市南明区兴关路51 北京市东城区长巷二条乙5号 阅读全文
posted @ 2017-01-11 11:35 payton数据之旅 阅读(797) 评论(0) 推荐(0) 编辑
摘要: This example shows how to construct and conduct inference on a state space model using particle filtering algorithms. nimblecurrently has versions of 阅读全文
posted @ 2017-01-11 10:44 payton数据之旅 阅读(607) 评论(0) 推荐(0) 编辑
摘要: @drsimonj here to introduce pipelearner – a package I’m developing to make it easy to create machine learning pipelines in R – and to spread the word 阅读全文
posted @ 2017-01-05 13:17 payton数据之旅 阅读(202) 评论(0) 推荐(0) 编辑
摘要: 本文综合了Pablo的博客和Carlos E.Perez的博客,经作者授权,由InfoQ中文站社区编辑刘志勇编译整理并分享。 深度学习在机器学习领域中一直是核心话题,在过去几年和2016年也是如此。在本文中将阐述我们认为该领域中最有贡献(或最有潜力)的进展,以及组织和社区如何确保这些强大的技术对所有 阅读全文
posted @ 2016-12-15 10:18 payton数据之旅 阅读(370) 评论(0) 推荐(0) 编辑
摘要: Before we start My chinese skills are poor and biased. I did learn during my internship and I continue to study while I can translate "last year our e 阅读全文
posted @ 2016-12-12 16:27 payton数据之旅 阅读(257) 评论(0) 推荐(0) 编辑
摘要: @drsimonj here to share a tidyverse method of grid search for optimizing a model’s hyperparameters. Grid Search For anyone who’s unfamiliar with the t 阅读全文
posted @ 2016-12-12 14:48 payton数据之旅 阅读(348) 评论(0) 推荐(0) 编辑
摘要: When faced with classification tasks in the real world, it can be challenging to deal with an outcome where one class heavily outweighs the other (a.k 阅读全文
posted @ 2016-12-12 14:44 payton数据之旅 阅读(461) 评论(0) 推荐(0) 编辑
摘要: 自从买了kindle以后,总是想要定期刷有没有便宜的书,amazon经常有些1元/2元的书打特价,但是每次都去刷那些榜单太麻烦了,而且榜单又不能按照价格排名,捞书有点累 所以自己用R语言的rvest包简单写了一个小程序,让它自动按照不同价格区间把特价书给分出来。 主要看的是kindle新品排行榜和最 阅读全文
posted @ 2016-12-09 15:20 payton数据之旅 阅读(381) 评论(0) 推荐(0) 编辑
摘要: Centos下安装MXNET,参考官方文档http://mxnet.io/get_started/setup.html#prerequisites, 一、安装python的mxnet步骤如下: 测试下是否安装成功: ok,成功! 1 error解决: 1.1 安装opencv需要注意的地方: 1)、 阅读全文
posted @ 2016-11-25 19:15 payton数据之旅 阅读(3172) 评论(0) 推荐(0) 编辑
摘要: 特征选择(Feature Selection,FS)和特征抽取(Feature Extraction, FE)是特征工程(Feature Engineering)的两个重要的方面。 他们之间最大的区别就是是否生成新的属性。 FS仅仅对特征进行排序(Ranking)和选择, FE更为复杂,需要重新认识 阅读全文
posted @ 2016-11-25 11:05 payton数据之旅 阅读(476) 评论(0) 推荐(0) 编辑
上一页 1 2 3 4 5 6 7 8 ··· 13 下一页