代码也写了几年了,设计模式处于看了忘,忘了看的状态,最近对设计模式有了点感觉,索性就再学习总结下吧。
建议先看一下上篇 观察者模式 ,发布订阅模式和观察者模式本质上还是一样的,并且发布订阅模式也没有在经典的设计模式书 GoF 中出现,很多地方也直接把两者看成一种设计模式了。
本文以天气数据实时抓取和可视化展示为主题,旨在探讨如何使用Python编写程序来实现对天气数据的抓取、可视化和预测。
常用scikit-learn ,文本分析用gensim,数据处理用Numpy、matplotlib、pandas,深度学习有tensorflow、caffe、keras
CICD是一个可以集部署、拉取、上传等于一体的架构环境,它支持一线进行部署,免去了人工一条条的进行部署环境的工作流程,大大降低了人力手工运维成本和出错率。 CICD的搭建需要至少三台服务器,他们分别监管着Harbor(镜像仓库存储),git(开发代码仓库存储),Jenkings(一键化部署)
参考链接: Python中list的方法 2| del, remove(), sort(), insert(), pop(), extend()…
顾名思义,就是给定一个图像,判断出它属于哪一个类。通常通过带有标签的数据作为训练集用各种方法进行训练, 然后在测试集上进行测试,预测出最可能的类别(标签)。
各位小伙伴们大家好,这几天我在群里看见了一位小伙伴提出了关于BP神经网络的反向传播算法的梯度维度的问题,我对这个问题也很有兴趣,所以希望通过这篇文章来去和大家探讨下这方面的知识. 在我们学习神经网络的时候,我们为了不断地迭代更新目标函数,我们总是不断地往复更新迭代神经网络中的各个参数和权值,而在实际过程中我们一般都是使用的矩阵向量化的方式去计算量化,但是如果我们能够了解这个矩阵求导的过程的话,我们对于反向传播算法中的梯度问题应该就能够很好的理解.(很多有疑惑的伙伴应该是看过CS231n吧,我记得没有读懂他
1.Towards Truly Zero-shot Compositional Visual Reasoning with LLMs as Programmers
1.RICO: Regularizing the Unobservable for Indoor Compositional Reconstruction(ICCV 2023)
本文介绍了机器学习中的逻辑回归算法,包括线性回归、逻辑回归、决策树、支持向量机、朴素贝叶斯、K邻近算法、K-均值算法、随机森林、降低维度算法、梯度提升和Adaboost算法。逻辑回归是一种分类算法,通过拟合逻辑函数来预测事件发生的概率。梯度上升法是逻辑回归中的优化方法。
计算机视觉技术发展迅速,很多时候,可悲的不是我们没有努力,而是没有跟上时代的步伐。努力coding终于出来结果了,却发现早就有人开源了,效果还比自己写的好!
1.Interactive Segmentation as Gaussian Process Classification(CVPR 2023)
1.Point Transformer V3: Simpler, Faster, Stronger
空间转录组学技术的最新进展进一步使细胞的基因表达谱和空间组织图谱同时实现。在这些技术中,基于成像的方法可以提供更高的空间分辨率,但它们受到成像基因数量少或基因检测灵敏度低的限制。尽管已经提出了几种增强空间分辨率的方法,但基因表达预测的准确性不足和细胞群识别能力不足仍然阻碍了这些方法的应用。
二叉树(Binary tree)是树形结构的一个重要类型。二叉树特点是每个结点最多只能有两棵子树,且有左右之分。许多实际问题抽象出来的数据结构往往是二叉树形式,二叉树的存储结构及其算法都较为简单,因此二叉树显得特别重要。
https-dns是一个最小且高效的 DNS-over-HTTPS (DoH) 客户端。DNS-over-HTTPS ( RFC 8484 ) 是一种通过 HTTPS 协议执行 DNS 解析的协议,可防止操纵 DNS 响应。https-dns将来自客户端的 DNS 查询转发到上游 DoH 服务器,缓存响应,并将响应发送回客户端。
可以看到,Spring 让 Java 编程变得更快、更容易、更安全。Spring对速度、简单性和生产力的关注使其成为世界上最受欢迎的Java框架。 Spring 官方提供了很多开源的项目,覆盖范围从 Web 开发到大数据,Spring 发展到今天,已经形成了自己的生态圈。我们在开发时,也倾向于使用 Spring官方提供的技术,来解决对应的问题。
Jedis是一个Java语言编写的Redis客户端,它允许Java应用程序通过Redis数据库执行各种操作。Jedis提供了简单、直观的API,可以使用Java代码轻松地与Redis数据存储进行交互。Jedis支持多个数据类型和命令,包括字符串、哈希表、列表、集合、有序集合等。Jedis还提供了一些高级功能,例如连接池、数据分片和事务处理等。
为什么使用集成算法 简单算法一般复杂度低,速度快,易展示结果,但预测效果往往不是特别好。每种算法好像一种专家,集成就是把简单的算法(后文称基算法/基模型)组织起来,即多个专家共同决定结果。 如何组织算法和数据 这里我们的着眼点不是某个算法,某个函数,而是对数据和算法整体的规划。 从数据拆分的角度看:可以按行拆分数据,也可以按列给属性分组。 从算法组合的成份看:可以集成不同算法,也可以集成同一算法不同参数,还可以集成同一算法使用不同数据集(结合数据拆分)。 从组合的方式看:可以选择少数服从多数,或加
数据库(Database)是按照数据结构来组织、存储和管理数据的仓库,在数据库管理系统中,用户可以对数据进行新增、删除、更新、查询等操作,从而转变为用户所需要的各种数据,并进行灵魂的管理。
https://machinelearningmastery.com/machine-learning-performance-improvement-cheat-sheet/
朴素贝叶斯常见的应用场景之一是情感分析。又上Kaggle溜达了一圈,扒下来一个类似场景的比赛。比赛的名字叫做当词袋/Bag of words 遇上 爆米花/Bags of Popcorn,地址为https://www.kaggle.com/c/word2vec-nlp-tutorial/,有兴趣的同学可以上去瞄一眼。 8.1 背景介绍 这个比赛的背景大概是:国外有一个类似豆瓣电影一样的IMDB,http://www.imdb.com/ 也是你看完电影,可以上去打个分,吐个槽的地方。然后大家就在想,有这么多
Instacart数据科学副总裁Jeremy Stanley和前LinkedIn数据领导Daniel Tunkelang的这篇文章,可以解答你的所有问题!
[1]Streaming Object Detection for 3-D Point Clouds
导读:本文主要介绍深度CTR经典预估模型的演化之路以及在2019工业界的最新进展。
前段时间我在实现 rust-kernel-riscv (使用 Rust 无栈协程进行上下文切换的操作系统内核) 时, 跟进了一些 Linux Kernel 的特性, 其中印象最深的就是 io_uring. io_uring 作为最新的高性能异步 I/O 框架, 支持普通文件与网络套接字的异步读写, 解决了传统 AIO 的许多问题. 在 Linux 通过隔离内核页表来应对 Meltdown 攻击后, 系统调用的开销是不可忽略的, 而 io_uring 通过映射一段在用户态与内核态共享的内存区域, 显著减少系统调用的次数, 缓解了刷新缓存开销. 关于 io_uring 的使用方法可以参考迟先生的博客: io_uring 的接口与实现.
http://blog.csdn.net/han_xiaoyang/article/details/50759472
作者:石文华 编辑:田 旭 逻辑回归 1 逻辑回归。它始于输出结果为有实际意义的连续值的线性回归,但是线性回归对于分类的问题没有办法准确而又具备鲁棒性地分割,因此我们设计出了逻辑回归这样一个算法,它
逻辑回归。它始于输出结果为有实际意义的连续值的线性回归,但是线性回归对于分类的问题没有办法准确而又具备鲁棒性地分割,因此我们设计出了逻辑回归这样一个算法,它的输出结果表征了某个样本属于某类别的概率。逻辑回归的成功之处在于,将原本输出结果范围可以非常大的θTX 通过sigmoid函数映射到(0,1),从而完成概率的估测。sigmoid函数图像如下图所示:
作者:寒小阳 && 龙心尘 (感谢投稿) 原文 :http://blog.csdn.net/han_xiaoyang/article/details/49123419 1、总述 逻辑回归是应用非常广
上节我们已经介绍了图像分类的两个关键部分:评分函数与损失函数,接下来就是最优化的问题了,即如何寻找使得损失函数值最小的WW。 对于SVM 得分函数:f(xi,W)=Wxif(x_i,W)=Wx_i 损失函数:L=1N∑i∑j≠yi[max(0,f(xi;W)j−f(xi;W)yi+1)]+λR(W)L = \frac{1}{N} \sum\limits_i \sum\limits_{j\neq y_i} \left[ \max(0, f(x_i; W)_j - f(x_i; W)_{y_i} + 1) \right] + \lambda R(W)
在神经网络中,对应的是损失函数LL,输入xx包含训练数据和神经网络的权重。比如,损失函数为SVMSVM,输入包括了训练数据xi,yix_i,y_i、权重WW和偏差bb。而训练集是给定的,权重则是可以改变的变量。因此,即使能用反向传播计算输入数据xix_i上的梯度,但在实践为了进行参数更新,通常也只计算参数(比如W,bW,b)的梯度。当然,xix_i的梯度有时仍然有用,比如将神经网络所做的事情可视化,以便于直观理解时。
AAAI 2020 共收到的有效论文投稿超过 8800 篇,其中 7737 篇论文进入评审环节,最终收录数量为 1591 篇,收录率为 20.6%,而被接受论文列表中强化学习有52+篇,录取比约为3%,其中接收论文中就单位而言:Google Brain, DeepMind, Tsinghua University,UCL,Tencent AI Lab,Peking University, IBM, FaceBook等被录取一大片,就作者而言,不但有强化学习老爷子Sutton的文章(第48篇),也有后起之秀等。论文涉及了环境、理论算法、应用以及多智能体等各个方向。以下是详细列表:
作者授权转载 作者:龙心尘、寒小阳 摘自:http://blog.csdn.net/han_xiaoyang/article/details/50282141 大数据文摘愿意为读者打造高质量【机器学习讨论群】,措施如下 (1)群内定期组织分享 (2)确保群内分享者和学习者数量适合,有分享能力者不限名额,学习者数量少于分享者,按申请顺序排序。 点击文末“阅读原文”填表入群 互动一下:) 上面图片中篆体字写的什么,欢迎在文末评论区留言 1、 引言:不要站在岸上学游泳 “机器学习”是一个很实践的过程。就像刚
训练深度网络时,让学习率随着时间退火通常很有帮助。如果学习率很高,系统的动能就过大,参数向量就会无规律地跳动,不能够稳定到损失函数更深更窄的部分去。
梯度检查是非常重要的一个环节,就是将解析梯度和数值计算梯度进行比较。数值计算梯度时,使用中心化公式
在线性分类中,我们使用s=Wxs=Wx计算类别的评分函数,其中WW为一个矩阵,xx为一个列向量,输出表示类别的评分向量。而在神经网络中,最常用的是s=W2max(0,W1x)s=W_2max(0,W_1x),其中函数max(0,−)max(0,-)是非线性的,也可以使用其他的一些非线性函数。如果没有非线性函数,那么对于分类的评分计算将重新变成关于输入的线性函数。因此,非线性函数是改变的关键。参数W1,W2W_1,W_2通过随机梯度下降来学习,他们的梯度在反向传播过程中,通过链式法则求导得出。类似地,一个三层地神经网络评分函数为s=W3max(0,W2max(0,W1x))s=W_3max(0,W_2max(0,W_1x))
由于之前KNN分类器的缺点,让我们很自然地去寻找有更加强大地方法去完成图像分类任务,这种方法主要有两部分组成: 评分函数(score function),它是原始图像数据到类别分值的映射(f(x)=Wxf(x)=Wx)。 损失函数(loss function),它是用来量化预测分类标签的得分与真实标签之间一致性的。 这种方法其实最后可以转化成一个最优化问题,在最优化过程中,将通过更新评分函数的参数来最小化损失函数值。
引言 在离人工智能越来越近的今天,研究界和工业界对神经网络和深度学习的兴趣也越来越浓,期待也越来越高。 我们在深度学习与计算机视觉专栏中看过计算机通过卷积神经网络学会了识别图片的内容——模仿人类的看,而工业界大量的应用也证明了神经网络能让计算机学会听(比如百度的语音识别),于是大量的精力开始投向NLP领域,让计算机学会写也一定是非常有意思的事情,试想一下,如果计算机通过读韩寒和小四的小说,就能写出有一样的调调的文字,这是多带劲的一件事啊。 你还别说,还真有这么一类神经网络,能够在NLP上发挥巨大的
作者:龙心尘 &&寒小阳 出处: http://blog.csdn.net/han_xiaoyang/article/details/50503115 1. 剧情一:挑螃蟹的秘密 李雷与韩梅梅的关系发展得不错,趁国庆休假一起来天津玩。今天,李雷十分神秘地请韩梅梅去一家餐馆吃螃蟹。韩梅梅大失所望,这个餐馆很不起眼,感觉就像路边的老食堂。菜单都用粉笔写在黑板上,一点都不高档。一看价格,满黄螃蟹120块钱一只!这也太贵了。 李雷看到了韩梅梅的神情,笑着解释道:“这家店老板有一个绝活——会看螃蟹。他能保证1
今天新出了14篇CVPR2019的论文,CV君汇总了他们的简略信息,有代码的也一并列出了,感兴趣的朋友,可以文末下载细读。
作者 | Aarshay Jain 简介 如果你的预测模型表现得有些不尽如人意,那就用XGBoost吧。XGBoost算法现在已经成为很多数据工程师的重要武器。它是一种十分精致的算法,可以处理各种不规则的数据。 构造一个使用XGBoost的模型十分简单。但是,提高这个模型的表现就有些困难(至少我觉得十分纠结)。这个算法使用了好几个参数。所以为了提高模型的表现,参数的调整十分必要。在解决实际问题的时候,有些问题是很难回答的——你需要调整哪些参数?这些参数要调到什么值,才能达到理想的输出? 这篇文章
翻译:@胡杨(superhy199148@hotmail.com) && @胥可(feitongxiaoke@gmail.com) 校对调整:寒小阳 && 龙心尘 时间:2016年7月 出处:http://blog.csdn.net/han_xiaoyang/article/details/51932536
第29届SIGKDD会议将于2023年8月6日至10日在美国加州长滩举行。据统计,今年共有725篇有效短文投稿,其中184篇论文被接收,接收率为25.37%,相比长文的22.10%有所降低。其中,涉及到的推荐系统相关的论文共35篇(本次只整理了ADS Track相关论文)。整理不易,欢迎小手点个在看/分享。
作者: 寒小阳 &&龙心尘 原文:http://blog.csdn.net/han_xiaoyang/article/details/49797143 Kaggle是一个数据分析建模的应用竞赛平台,有点类似KDD-CUP(国际知识发现和数据挖掘竞赛),企业或者研究者可以将问题背景、数据、期望指标等发布到Kaggle上,以竞赛的形式向广大的数据科学家征集解决方案。而热爱数(dong)据(shou)挖(zhe)掘(teng)的小伙伴们可以下载/分析数据,使用统计/机器学习/数据挖掘等知识,建立算法模型,
作者授权转载 作者:寒小阳 摘自:http://blog.csdn.net/han_xiaoyang/article/details/50469334 大数据文摘愿意为读者打造高质量【机器学习讨论
领取专属 10元无门槛券
手把手带您无忧上云