NeoML - 博客园

2019年3月15日

摘要： GitHub代码练习地址：https://github.com/Neo-ML/PythonPractice/blob/master/SpiderPrac09_ProxyHandler.pyProxyHandler处理（代理服务器）使用代理IP，是爬虫的常用手段提供代理服务器的地址有很多，例如： w 阅读全文

posted @ 2019-03-15 04:33 NeoML 阅读(501) 评论(0) 推荐(0) 编辑

Python爬虫5-利用usergent伪装访问方式

摘要： GitHub代码练习地址：https://github.com/Neo-ML/PythonPractice/blob/master/SpiderPrac08_useragent.py 阅读全文

posted @ 2019-03-15 00:27 NeoML 阅读(584) 评论(0) 推荐(0) 编辑

2019年3月14日

吴恩达机器学习笔记54-开发与评价一个异常检测系统及其与监督学习的对比（Developing and Evaluating an Anomaly Detection System and the Comparison to Supervised Learning）

摘要：一、开发与评价一个异常检测系统异常检测算法是一个非监督学习算法，意味着我们无法根据结果变量 𝑦 的值来告诉我们数据是否真的是异常的。我们需要另一种方法来帮助检验算法是否有效。当我们开发一个异常检测系统时，我们从带标记（异常或正常）的数据着手，我们从其中选择一部分正常数据用于构建训练集，然后用剩下阅读全文

posted @ 2019-03-14 23:57 NeoML 阅读(335) 评论(0) 推荐(0) 编辑

吴恩达机器学习笔记53-高斯分布的算法（Algorithm of Gaussian Distribution）

摘要：如何应用高斯分布开发异常检测算法呢？异常检测算法：对于给定的数据集 𝑥(1), 𝑥(2), . . . , 𝑥(𝑚)，我们要针对每一个特征计算 𝜇 和 𝜎2 的估计值。一旦我们获得了平均值和方差的估计值，给定新的一个训练实例，根据模型计算 𝑝(𝑥)：当𝑝(𝑥) < 𝜀时阅读全文

posted @ 2019-03-14 15:58 NeoML 阅读(745) 评论(0) 推荐(0) 编辑

吴恩达机器学习笔记52-异常检测的问题动机与高斯分布（Problem Motivation of Anomaly Detection& Gaussian Distribution）

摘要：一、问题动机异常检测(Anomaly detection)问题是机器学习算法的一个常见应用。这种算法的一个有趣之处在于：它虽然主要用于非监督学习问题，但从某些角度看，它又类似于一些监督学习问题。给定数据集 𝑥(1), 𝑥(2), . . , 𝑥(𝑚)，我们假使数据集是正常的，我们希望知道阅读全文

posted @ 2019-03-14 08:28 NeoML 阅读(380) 评论(0) 推荐(0) 编辑

Python爬虫4-URLError与HTTPError

摘要： GitHub代码练习地址：URLError：https://github.com/Neo-ML/PythonPractice/blob/master/SpiderPrac06_URLError.py HTTPError：https://github.com/Neo-ML/PythonPractice 阅读全文

posted @ 2019-03-14 06:16 NeoML 阅读(1277) 评论(0) 推荐(0) 编辑

2019年3月13日

Python爬虫3-parse编码与利用parse模拟post请求

摘要： GitHub代码练习地址：①利用parse模拟post请求：https://github.com/Neo-ML/PythonPractice/blob/master/SpiderPrac04_parse-post.py ②parse功能简单应用：https://github.com/Neo-ML/P 阅读全文

posted @ 2019-03-13 14:06 NeoML 阅读(580) 评论(0) 推荐(0) 编辑

吴恩达机器学习笔记51-初始值重建的压缩表示与选择主成分的数量K（Reconstruction from Compressed Representation & Choosing The Number K Of Principal Components）

摘要：一、初始值重建的压缩表示在PCA算法里我们可能需要把1000 维的数据压缩100 维特征，或具有三维数据压缩到一二维表示。所以，如果这是一个压缩算法，应该能回到这个压缩表示，回到原有的高维数据的一种近似。所以，给定的𝑧(𝑖)，这可能100 维，怎么回到你原来的表示𝑥(𝑖)，这可能是100 阅读全文

posted @ 2019-03-13 06:03 NeoML 阅读(540) 评论(0) 推荐(0) 编辑

吴恩达机器学习笔记50-主成分分析算法(PCA Algorithm)

摘要： PCA 减少𝑛维到𝑘维步骤：第一步是均值归一化。我们需要计算出所有特征的均值，然后令 𝑥𝑗 = 𝑥𝑗 − 𝜇𝑗。如果特征是在不同的数量级上，我们还需要将其除以标准差 𝜎2。第二步是计算协方差矩阵（covariance matrix） (求和上面的n错了，应该是m）第三步是计算阅读全文

posted @ 2019-03-13 03:49 NeoML 阅读(816) 评论(0) 推荐(0) 编辑

2019年3月12日

吴恩达机器学习笔记49-主成分分析问题（Principal Component Analysis Problem Formulation）

摘要：主成分分析(PCA)是最常见的降维算法。在PCA 中，我们要做的是找到一个方向向量（Vector direction），当我们把所有的数据都投射到该向量上时，我们希望投射平均均方误差能尽可能地小。方向向量是一个经过原点的向量，而投射误差是从特征向量向该方向向量作垂线的长度。下面给出主成分分析问题阅读全文

posted @ 2019-03-12 18:55 NeoML 阅读(456) 评论(0) 推荐(0) 编辑

千里的博客

公告