深度学习_神经网络与tf.keras（3）-爱代码爱编程
1.3 神经网络基础 学习目标 目标 了解感知机结构、作用以及优缺点 了解tensorflow playground的使用 说明感知机与神经网络的联系 说明神经网络的组成 应用 无 1.3.1 神经网络 人工神经网络（ Artificial Neural Network， 简写为ANN）也简称为神经网络（N
国科大空间分析课程整理与理解（二）：第一章 空间分析的基本概念-爱代码爱编程
一、空间分析的思想 1.地理信息系统的本质：将真实地理世界转换为数字世界。 Eg:真实世界（国旗杆、道路和纪念堂）——>数字世界（点、线和面） 2.地理信息系统原理主要内容：坐标系统、投影转换、地理数据模型：矢量数据模型与栅格数据、空间数据存储与管理、空间数据可视化、地图编辑与绘制、空间拓扑分析和空间叠加分析等。 3.地理信息科学与地理学的关系:地
详解BP算法之链式求导法则-爱代码爱编程
BP算法的文章很多，但是说明白BP算法中的链式求导法则应该只此一家了。 西瓜书，李宏毅的网课，考研时的高数资料，高赞博客，甚至Hinton的原始论文，对链式求导法则也只是一带而过。 文章先从简化版本的链式法则讲起，再将其应用到BP算法中。 简化版本的链式法则 两层嵌套（复合)函数 如上图所示，E是A1,A2,A3的函数，A1,A2,A3都是B1函数
如何使用tensorboard可视化训练？-爱代码爱编程
简介 什么是tensorflow呢？从其名称我们可以猜想，是对tensor信息流动过程的记录工具！ 当我们训练神经网络时，我们希望去跟踪神经网络的整个训练过程中的信息，比如迭代的过程中每一层参数是如何变化与分布的，比如每次循环参数更新后模型在测试集与训练集上的准确率是如何的，比如损失值的变化情况，等等。如果能在训练的过程中将一些信息加以记录并可视化得表现
FEDAT:A Communication-Efficient Federated Learning Method With Asynchronous Tires Under Non-IID Data-爱代码爱编程
背景 目前的联邦学习架构存在着以下问题： 流浪者问题(straggler problem)：由于数据的异构和通信效率的不一致，中央服务器需要等待最慢的那个设备把数据返回之后才能进行下一轮的训练大量的设备需要将自身的模型参数上传给服务器，这构成了系统的传输瓶颈 并且现有的很多联邦学习算法不能同时解决上面两个问题，一些研究者基于传统的联邦学习算法提出了异步
李宏毅2020机器学习深度学习 笔记1（理论上持续更新中）-爱代码爱编程
我真的超能鸽🕊哈哈哈 在各种方向上来回摇摆，最后还是老老实实找机器学习来听了（B站学习网站石锤了） https://www.bilibili.com/video/BV1JE411g7XF 看评论还不错，就从这里开始吧！笔芯 机器学习× 宝可梦分享会√ （希望这一部分能在圣诞节前写完） 希望破灭，果然还是不能随便立flag ---------
【MindSpore】Ubuntu16.04上成功安装GPU版MindSpore1.0.1-爱代码爱编程
本文是在宿主机Ubuntu16.04上拉取cuda10.1-cudnn7-ubuntu18.04的镜像，在容器中通过Miniconda3创建python3.7.5的环境并成功安装mindspore_gpu_1.0.1； 一、前期踩过的坑 二、安装成功的流程 【1】拉取cuda10.1-cudnn7-ubuntu18.04的镜像 【2】镜像内创建容器此
2020最新5月数据结构算法全套完结版-爱代码爱编程
课程目录： 《数据结构和算法》[第三次课][2020年5月13日] 《数据结构和算法》[第一次课][2020年5月11日] 《数据结构和算法》[第二次课][2020年5月12日] 《数据结构和算法》[第四次课][2020年5月14日] 课程目录： 《数据结构和算法》[第三次课][2020年5月13日] 《数据结构和算法
logistics回归分析+代码详解-爱代码爱编程
目录 1.2 Logistic 回归的引入 1.3 分类预测函数问题的转化成求θ 1.4 梯度下降法求解θ 2.3 利用随机梯度上升法训练样本 1.2 Logistic 回归的引入 Logistic 回归是概率非线性模型，用于处理二元分类结果，名为回归实为分类。下面给出一个二元分类的例子，如下图所示： 图中数据分成两类，打叉的一类用 y =
未来就业城市选择问题（python 数据分析，数据可视化）（文档+代码+数据+PPT+注释）-爱代码爱编程
未来就业城市选择问题分析项目文档 目录 目录 2 1数据来源 3 2理论基础 3 3算法流程 3 3.1中国城市资本流动探索 3 3.1.1数据预处理 3 3.1.2查看全国城市控股型投资关系 4 3.1.3 2013-2016年全国跨城市资本流动情况 4 3.1.4 深度探索跨城市资本流动 4 3.2全国各省市平均房价问题研究 4 4实验结果 5 4.
特征训练、预测一致性管理工具：开源项目Feast-爱代码爱编程
在机器学习的流程大体可以分成模型训练和模型服务两个阶段。无论是训练和服务阶段，其实都需要进行特征工程相关的工作，这块的技术挑战就是如何保证训练和预测过程中使用的特征是一致的。这个问题困扰了很多机器学习从业者，比较典型的场景就是推荐场景。在推荐业务中往往要用离线数据做特征工程然后输入到算法中训练生成推荐模型，在实际业务侧也需要按照同样的特征样本拼接方式生成预
机器学习之算法决策树（分类）——通过例子说明信息熵的计算方法-爱代码爱编程
决策树采用的是信息熵或者Gini系数来作为分类标准。 信息熵公式： Gini系数公式： 一般构造一个分类器(sklearn.tree.DecisionTreeClassifier)，默认参数criterion有{“gini”, “entropy”}, 其中default=”gini”。这两个计算公式不一样而已。 我在这里计算的是信息熵的公式，另外的一个也
聚类算法-爱代码爱编程
1. 简介 1.1 现实中的应用 用户画像，广告推荐，Data Segmentation，搜索引擎的流量推荐，恶意流量识别基于位置信息的商业推送，新闻聚类，筛选排序图像分割，降维，识别；离群点检测；信用卡异常消费；发掘相同功能的基因片段1.2 定义 一种典型的无监督学习算法，主要用于将相似的样本自动归到一个类别中。 1.3 聚类算法与分类算法最大的
GBDT-爱代码爱编程
1. 简介 GBDT 的全称是 Gradient Boosting Decision Tree，梯度提升树。 GBDT使用的决策树是CART回归树 当CART是回归树时，采用样本的最小方差作为节点分裂的依据 CART树是二叉树。 2. 回归树生成算法 输入：训练数据集D 输出：回归树 选择每个特征的每个取值，根据该值对样本进行划分成两部分。
SVM人脸识别（小白向，附代码）-爱代码爱编程
LBP簇+PCA/ICA+SVM LBP簇LBP（Local Binary Pattern）旋转不变性LBP等价模式LBPPCA/ICAPCA（主成分分析）FastPCA（快速主成分分析）FastICA（快速独立成分分析）SVM 上一篇最后说了要先更一篇AI的博文，先拿最近的实验作业补一补。主要讲解理论部分，文末自取链接。 LBP簇 LBP（
一文吃透AI芯片技术路线，清华尹首一教授演讲全文：GTIC2020-爱代码爱编程
转载自：https://mbd.baidu.com/newspage/data/landingsuper?context=%7B%22nid%22%3A%22news_9972291866667704481%22%7D&n_type=1&p_from=4 GTIC 2020全球AI芯片创新峰会刚刚在北京圆满收官！在这场全天座无虚
关于LWIP使用NAT功能报sys_timeout: timeout != NULL, pool MEMP_SYS_TIMEOUT is empty-爱代码爱编程
问题现象：LWIP使用NAT功能报sys_timeout: timeout != NULL, pool MEMP_SYS_TIMEOUT is empty，发现报错的地方是failed at line 190 in LwIP\src\core\timeouts.c 问题分析： 1、仿真进入memp_malloc函数，查看memp_tab []的值和传入
python训练集数据预处理手段-爱代码爱编程
首先数据格式是DataFrame 一、填充缺失值 1.在填充之前可以查看哪些数据缺失和缺失的个数 # 查看缺失值 data_train.isnull().sum() 2.一般特征值中用平均值来填充，而标签中用众数来填充，numerical_fea是你要填充的列名，在DataFrame中一般是字符串格式，如[‘grade’,‘subGrade’]
泰坦尼克存活预测-KNN-爱代码爱编程
kaggle项目-泰坦尼克存活预测 此文代码都是在Jupyter notebook运行的； 主要步骤： 1.数据获取 ；2. 数据预处理 ；3. 数据集拆分 ；4. 特征工程–无量钢化 ；5. 算法–模型 ；6. 模型评估；7. 最终预测由于博主目前只学习了KNN算法，所以本次就用KNN算法实现预测。 1) 获取数据 train_data=pd.re
惊呆了！小白都能理解的Python多继承-爱代码爱编程
本文主要做科普用，在真实编程中不建议使用多重继承，或者少用多重继承，避免使代码难以理解。 方法解析顺序（MRO） 关于多重继承，比较重要的是它的方法解析顺序（可以理解为类的搜索顺序），即MRO。这个跟类是新式类还是经典类有关，因为两者的搜索算法不同。 在Python2及以前的版本，由任意内置类型派生出的类（只要一个内置类型位于类树的某个位置），都属于