腾讯云开发者社区-腾讯云

开发者社区

文档建议反馈控制台

最新优惠活动

文章/答案/技术大牛

发布

自学笔记

自己学习人工智能的一些笔记

专栏作者

79

文章

54974

阅读量

17

订阅数

kaggle-(Santander Value Prediction Challenge)

https://www.kaggle.com/greenarrow2018/santander-value-prediction-challenge

西红柿炒鸡蛋

2020-10-26

6500

Astar Algorithm

参考文献：https://www.gamedev.net/reference/articles/article2003.asp 这篇东西写的贼好。

西红柿炒鸡蛋

2020-09-10

7640

Dual Problem & KKT

function optimization set svm time

I have written a note with respect to SVM. Unfortunately , I was not familiar with convex optimizati

西红柿炒鸡蛋

2020-07-20

5430

整整80个特征。label标签是不是正态分布，如果不是正态分布很多算法就用不上了,因为回归分析就是基于正态分布的。

西红柿炒鸡蛋

2020-06-28

9570

DeepProbLog: Neural Probabilistic Logic Programming

神经网络深度学习

本论文介绍的DeepProlog是一种概率逻辑编程语言，通过神经谓词和深度学习结合起来。我们将展示现有的推理和正在学习的技术将如何适应新的语言。我们的实验表明，DeepProblog支持符号和子符号的表示和推理，程序的归结，概率逻辑规划，从样例中学习。据我们所知，这项工作首先提出了一个能把通用神经网络和表达概率逻辑建模和推理以某种方式结合的框架，从而有更强的表达能力和两种框架的优点，并且可以基于样例进行端到端的训练。

西红柿炒鸡蛋

2020-06-18

1.7K0

A differentiable approach to inductive logic programming

linux 数据库 sql 神经网络

Recent work in neural abstract machines has proposed many useful techniques to learn sequences of applications of discrete but differentiable operators. These tech- niques allow us to model traditionally procedural problems using neural networks. In this work, we are interested in using neural networks to learn to perform logic reasoning. We propose a model that has access to differentiable operators which can be composed to perform reasoning. These differentiable reasoning operators were first introduced in TensorLog, a recently proposed probabilistic deductive database. Equipped with a model than can perform logic reasoning, we further investigate the task of inductive logic programming.

西红柿炒鸡蛋

2020-06-16

4961

CS231 Computer vision

机器学习神经网络深度学习人工智能

课程第一章啥也没讲，第二章开始。以图片分类为主题，逐步引出KNN，线性分类等算法。图片数据使用CIFAR-10的数据，计算机扫描图片只能看到一个个像素点，如果是彩色图片，那就是一个三维图片矩阵，如果是黑白图片那就是二维。

西红柿炒鸡蛋

2020-04-30

4090

吴恩达DL笔记

神经网络对象存储监督学习

这个课程啥也没讲，就用一个最简单的例子引出神经网络。下图所示ReLu激活函数，全称是rectified linear unit，后面还会出现一个其他的激活函数。

西红柿炒鸡蛋

2020-04-16

8510

PAT甲级题目

二叉树编程算法

PAT甲级的题目有关于树的题目，1053，1086，1090，1102，1106，1115，1119，1038，1110，1020，1043

西红柿炒鸡蛋

2020-03-20

4450

springBoot开发

gradle android spring 访问管理

整个博客系统包括用户管理，安全设置，博客管理，评论管理，点赞管理，分类管理，标签管理和首页搜索。前端使用boostrap，thymeleaf模板引擎，jQuery等等，后端使用springboot，springMVC，spring data，spring security管理安全，数据存储使用MySQL，H2，MongoDB，MongoDB主要是存储文件等等，其他还有ElasticSearch，这次项目就尝试使用Gradle，不用maven了。

西红柿炒鸡蛋

2020-01-15

3780

SpringBoot简介

数据库云数据库 SQL Server sql aop maven

首先springboot最亮眼的特点就是简单，其次也是入门级的微服务，同时springBoot提供了一整套的微服务。

西红柿炒鸡蛋

2020-01-15

5860

Machine Learning in Action:KNN Algorithm

对于分类问题，最主要的任务就是找到对应数据合适的分类。而机器学习的另一项任务就是回归，比如CTR预测之类的。ml算法按照有无label可以分为有监督学习和无监督学习，对于无监督学习的算法比较经典的有聚类算法，有监督的相对来说较多，回归类算法基本都是的。按照参数有可以划分成有参数模型和无参数模型和半参数模型，有参数模型有两个特征，一个是用参数代表从训练数据中获得的信息，只有当target function包含在了hypothesis set里面才会收敛。无参数模型是没有参数的，直接存储所以的训练数据，也就是不再用参数代表训练数据，比如KNN，无训练过程，而且一定收敛。对于半参数模型，参数一定有，但是一定收敛，最经典的就是神经网络模型，神经网络模型在理论上是可以拟合所有的target function，所有只要训练数据够多，一定可以收敛，因为他的hypothesis set包含了所以的target function。如何选择算法，需要考虑两个方面：首先是使用这个算法的目的是什么，想要完成什么任务，其次就是数据怎么来，规模多大。开放ml程序一般要经历一下步骤，首先是收集数据，准备输入数据，也就是数据预处理，分析输入数据，训练算法。

西红柿炒鸡蛋

2019-03-21

3790

Machine Learning in Action:Decision Tree

决策树机器学习神经网络深度学习人工智能

决策树这个算法比较接地气，就算你根本不懂机器学习算法也可以很好的理解决策树，决策树之前的算法就已经解释过了。主要思想就算通过条件进行分类即可。决策树主要的优点就在于数据形式非常好理解。decision tree的算法可以读取数据集合，可以得到数据中所隐含的知识信息，因此决策树可以使用不熟悉的数据集合，并从中提取一系列规则。优点很明显，计算复杂度不高，输出结果也很容易理解，就算是中间有缺失值也影响不大，特征不相关也可以处理。由于决策树是按照条件划分，如果划分的条件过多了，可能导致overfitting。首先要做的就是要找到数据的决定性特征是什么，把它作为划分的依据。当划分完成，如果当前的叶子都是同一个类别，那么当前叶子的划分就完成了。

西红柿炒鸡蛋

2019-03-19

3720

Chapter 7:Neural Network

对于上诉的公式证明，在理论上可以使用一些方法来类比计算，也就是说任何的一个在紧密集合上的连续函数都可以使用单步函数进行任意近似。单步函数可以说是最简单的函数，感知机perceptron好就是一种比较简单的step function。在上诉的神经网络里面，输入层是不可以被看成是一层。而隐藏层是使用sign(.)作为输出。然而，问题是这些使用sign(.)的方法困难部分是在于他不是平滑的，一个平滑的近似函数是完全不同于sign(.)，平滑的近似函数可以允许我们使用数学分析的方法来寻找最优权值。

西红柿炒鸡蛋

2019-03-11

3950

Chapter 6:Similarity-Based Methods

，其中Q是一个半正定的协方差矩阵，是多维度数据之间的方差。马氏距离比高斯距离考虑的更全面，因为他把数据的维度和数据的大小都考虑了进来。中间的Q矩阵就是起到这个作用，

西红柿炒鸡蛋

2019-03-05

6270

Factorization Machine

机器学习神经网络深度学习人工智能

logistics regression algorithm model中使用的是特征的线性组合，最终得到的分割平面属于线性模型，但是线性模型就只能处理线性问题，所以对于非线性的问题就有点难处理了，对于这些复杂问题一般是两种解决方法①对数据本身进行处理，比如进行特征转换，和函数高维扩展等等。②对算法模型本身进行扩展，比如对linear regression加上正则化惩罚项进行改进得到lasso regression或者是ridge regression。 Factorization Machine就是一种对logistics regression的一种改进，线性的部分权值组合是不变的，在后面增加了非线性的交叉项。 target function：

西红柿炒鸡蛋

2019-02-28

5740

Data Structure_图

交通运输，社交网络，互联网，工作的安排，闹区活动等等都可以用到图论处理。图可以分成两大类，一类是无向图，就是没有方向的，就好像两个人都互相认识一样，有向图就是单方面的联系，一个人认识另一个人，但是另一个人确不认识。当然，无向图也可以看成是一种特殊的有向图。图还可以根据权值分成两类，有权图和无权图，也就是边的权值，无权值只是表示了这个边存在与否而已，有权图表示的就是这个边的重要性，也可以看成是长度等等。图还有一个重要是性质，就是连通性的问题

西红柿炒鸡蛋

2019-01-23

7700

Data Structure_堆_二叉树_并查集

编程算法神经网络卷积神经网络

堆这种数据结构的应用很广泛，比较常用的就是优先队列。普通的队列就是先进先出，后进后出。优先队列就不太一样，出队顺序和入队顺序没有关系，只和这个队列的优先级相关，比如去医院看病，你来的早不一定是先看你，因为病情严重的病人可能需要优先接受治疗，这就和时间顺序没有必然联系。优先队列最频繁的应用就是操作系统，操作系统的执行是划分成一个一个的时间片的，每一次在时间片里面的执行的任务是选择优先级最高的队列，如果一开始这个优先级是固定的可能就很好选，但是在操作系统里面这个优先级是动态变化的，随着执行变化的，所以每一次如果要变化，就可以使用优先队列来维护，每一次进或者出都动态着在优先队列里面变化。在游戏中也有使用到，比如攻击对象，也是一个优先队列。所以优先队列比较适合处理一些动态变化的问题，当然对于静态的问题也可以求解，比如求解1000个数字的前100位出来，最简单的方法就是排序了，，但是这样多此一举，直接构造一个优先队列，然后出的时候出一百次最大的元素即可。这个时候算法的复杂度就是

西红柿炒鸡蛋

2019-01-23

3500

linear regression and logistic regression

机器学习线性回归

通过工资和年龄预测额度，这样就可以做拟合来预测了。有两个特征，那么就要求有两个参数了，设置

西红柿炒鸡蛋

2019-01-23

4820

Unity基本操作以及Roll A Ball

第一个手部图标，可以拖动物体，对准物体点击就可以拖动。第二个就是指针图标，可以选择物体的移动方向。可以选择x,y,z三个方向进行移动。第三个就是旋转图标，可以对物体进行任意方向的旋转。第四个可以改变物体的大小。这个时候按住鼠标右键可以对场景查看，全景查看。按下w,s可以对镜头远近调节，a,d可以左右位移，如果仅仅是鼠标左右移动那就仅仅只能旋转而已。

西红柿炒鸡蛋

2019-01-23

9940

点击加载更多

社区活动

腾讯技术创作狂欢月

“码”上创作 21 天，分 10000 元奖品池！

Python精品学习库

代码在线跑，知识轻松学

博客搬家 | 分享价值百万资源包

自行/邀约他人一键搬运博客，速成社区影响力并领取好礼

技术创作特训营·精选知识专栏

往期视频·千货材料·成员作品最新动态