摘要： 一.背景 1.概率：在多元下，（1）联合概率：两个事件同时发生的概率P(A,B) ，（2）条件概率：在某一事件A条件下，另一事件B发生的概率P(B|A)，（3）边缘概率：某一事件发生的概率P(A); 2.独立事件：两个没有任何关系的事件互为独立事件，此时两个事件的联合概率为两者概率相乘P(A,B)= 阅读全文

摘要： 一.决策树（判定树） 1.依据树结构进行决策，目的是产生一棵泛化能力强的判定树，其中叶子结点为决策结果，其他节点对应一个属性测试，根节点包含所有样本，从根节点到叶子结点的路径表示判定的决策路径。 2.首先我们给定一个训练样本集，以及他们的属性集（特征集），然后由根结点开始，每个节点代表一个属性测试， 阅读全文

摘要： 一.SVM 1.SVM（Support Vector Machines）是一种监督学习中的二分类器,目标是在样本空间内找到一个超平面对数据集进行分类，关键点在于怎样确定这个超平面。 2.训练好的模型的算法复杂度是由支持向量的个数决定的，而不是由数据的维度决定的。所以 SVM 不太容易产生 overf 阅读全文

摘要： 模型是对数据的学习，必不可少 一.基本概念 1.模型也被称为学习器（假设/算法），是指能从已有的数据中学习到所需知识的数学模型。 2.相关概念 （1）归纳偏好（inductive bias）：机器学习算法在学习过程中对某种类型假设的偏好，比如：存在多个模型能反映训练样本，但是它们对于新的样本却有不同 阅读全文

摘要： 数据是一切的根本。 一.获取数据 1.我们实质是获取所需信息，再把这些信息转为可以字面表示的数据 2.可以使用爬虫scrapy获取数据，但是更一般的是自家数据库中的数据 3.可以获得公用数据集：http：//www.kaggle.com/datasets等网站，也可以自己收集数据 4.人工合成数据： 阅读全文

摘要： 预备：把实际问题转化为机器学习问题，即能够从现有的数据中学的某种规律，从而解决实际问题（预测或分类） 机器学习是数据和模型的结合。 一.获取数据：人工合成、爬虫、数据库、公开数据集、收集数据... 二.数据预处理: 1.数据清洗：缺失数据、重复数据、一致性检验 2.数据转成数字：经验、一般映射 3. 阅读全文

摘要： 一.tkinter 1.tkinter--tool kit interface工具包接口，用于GUI（Graphical User Interface）用户图形界面, 2.python3.x把Tkinter改写成tkinter 3.tkinter中有较多的部件：Canvas画布，PhotoImage 阅读全文

摘要： 一.queue队列 1.python3中的队列模块是queue，不是Queue 2.一般涉及到同步，多线程之类用到队列模块 3.定义了 queue.Queue 类，以及继承它的 queue.LifoQueue 类 和 queue.PriorityQueue 类 和 queue.SimpleQueue 阅读全文

摘要： 一.机器学习（machine learning） 1.它致力于研究如何通过计算的手段，利用经验来改善系统自身的性能 2.研究的主要内容是学习算法（learning algorithm）（在计算机上从数据中产生模型（model）或者说学习器（learner）的算法） 3.简而言之，机器学习：根据已有的 阅读全文

摘要： 一.摊还分析（平摊分析） 1.通过求数据结构的一个操作序列中所执行的所有操作的平均时间来评价操作的代价 2.摊还分析不同于平均情况分析，它不涉及到概率，它只是保证了最坏情况下每个操作的平均性能 3.三种方法： （1）聚合分析：确定一个n个操作的序列的总代价的上界（最坏情况下的总代价），从而得到每个操 阅读全文