决明子的博客

原创 第十二届“中国软件杯”大赛：A10-基于机器学习的分布式系统故障诊断系统——baseline（二）

第十二届“中国软件杯”大赛：A10-基于机器学习的分布式系统故障诊断系统

原创 第十二届“中国软件杯”大赛：A10-基于机器学习的分布式系统故障诊断系统——baseline（一）

第十二届中国软件杯大赛--A组赛题赛题名称:基于机器学习的分布式系统故障诊断系统

原创 基于逻辑回归的图像二分类算法实现（Pytorch版）

使用逻辑回归对图像进行二分类

原创 飞桨领航团AI达人创造营笔记——深度学习模型训练和关键参数调优详解

目录模型选择回归任务分类任务场景任务模型训练基于高层API训练模型使用PaddleX训练模型超参优化手动调参的四大方法使用提前停止来确定训练的迭代次数让学习率从高逐渐降低宽泛策略小批量数据(mini-batch)大小不必最优模型选择在这节课中，老师把深度学习模型简单的概括为三种，即回归任务、分类任务和场景任务。个人反复想了一下啊，这么分好像也没啥太大的毛病。回归任务回归任务，基本上绝大多数的深度学习零基础入门到进阶到放弃类的课程，第一个讲的都是这个。包括吴恩达老师的课，第一个模型讲的就是回归任

原创 飞桨领航团AI达人创造营——数据获取与处理（CV）

目录数据的获取途径数据处理与标注官方数据集处理成VOC或COCO格式COCO和VOC数据集介绍数据标注——Object Keypoint类型常见的标注工具数据预处理方法数据增强数据的获取途径通常，我们的数据来源于各个比赛平台。首先是AIStudio中的数据集，大部分经典数据集例如百度AI Studio ,Kaggle、天池、讯飞等平台（通过关键词搜索获取需要的数据集），或者是Github。还有一些小的平台，需要大家自己去看。通常来说，数据集用于学术目的，有些数据需要申请才能获得链接。数据处理与标注官

原创 飞桨领航团AI达人创造营笔记——让人拍案叫绝的创意都是如何诞生的？

目录韩磊老师——何为创意？顾茜老师——零代码实现安全帽检测模型安全帽检测模型开发流程：如何产生创意？——以终为始颜鑫老师——创意源于生活郑博培老师——看图写诗的创意是如何诞生的韩磊老师——何为创意？创意： 将现有想法进行某种组合。举例： 游戏复刻、特效复刻、效果复刻举个例子来说：游戏复刻，我的理解就是用DOTA的理念创造了LOL，将LOL换个终端就成了王者荣耀。如果这么说的话，天蚕土豆就完美的使用了“斗破复刻”。特效复刻，特效这个词，出现最多的就是电影，我们可以用鸣人的影分身特效，变出N个自己

原创 Machine Learning——Linear Model

基本形式给定由ddd个属性描述的示例x=(x1;x2;⋯ ;xd)x=(x_1;x_2;\cdots;x_d)x=(x1​;x2​;⋯;xd​)，其中xix_ixi​是xxx在第iii个属性上的取值，线性模型(linearmodel)(linear model)(linearmodel)试图学得一个通过属性的线性组合来进行预测的函数，即f(x)=w1x1+w2x2+⋯+wdxd+b,f(x)=w_1x_1+w_2x_2+\cdots+w_dx_d+b,f(x)=w1​x1​+w2​x2​+⋯+wd​xd

原创 概率导论（二）——离散随机变量

参考书：《概率导论》，作者：Dimitri P. Bertsekas，John N. Tsitsiklis。本系列博客为自学《概率导论》笔记。思维导图基本概念分布列伯努利随机变量二项随机变量几何随机变量泊松随机变量随机变量的函数期望、均值和方差方差、矩和随机变量的函数的期望规则均值和方差的性质某些常用的随机变量的均值和方差利用期望值进行决策多个随机变量的联合分布列多个随机变量的函数多于两个随机变量的情况条件某个事件发生的条件下的随机变量给定另一个随机变量的值的条.

原创 概率导论（一）——样本空间与概率

参考书：《概率导论》，作者：Dimitri P. Bertsekas，John N. Tsitsiklis。本系列博客为自学《概率导论》笔记。思维导图集合将一些研究对象放在一起，形成集合，这些对象就是集合的元素。设SSS是一个集合，xxx是SSS的元素。xxx是SSS的元素，则写成x∈Sx\in Sx∈S；xxx不是SSS的元素，则写成x∉Sx\notin Sx∈/​S；若一个集合没有元素，则为空集，写成∅\empty∅若SSS包含有限个元素x1,x2,⋯ ,xnx_1,x_.

原创 概率统计——方差分析

致敬：罗纳德·艾尔默·费希尔(Ronald Aylmer Fisher, R. A. Fisher, 1890年2月17日- 1962年7月29日)基本概念方差分析这部分所涉及到的概念名词有很多，不过是看着唬人，实际上，名词起的非常直观清楚，比如，双因素混合模型方差分析这个名词，根据名字就知道，这个方差分析有两个因素，而是是混合模型的，说明还有混淆因素的存在。以焦虑症治疗为例，有两种治疗方案，方案A和方案B。有10个焦虑症志愿者，被随机分配一半接受五周的A方案治疗，另一半接受五周的B方案治疗

原创 Pandas（九）——时序数据

介绍四类时间变量：名称描述元素类型创建方式Date times(时间点/时刻)描述特定日期或时间点Timestampto_datetime或date_rangeTime spans(时间段/时期)由时间点定义的一段时期PeriodPeriod或period_rangeDate offsets(相对时间差)一段时间的相对大小（与夏/冬令时无关）DateOffsetDateOffsetTime deltas(绝对时间差)一段时间的绝对大小（与夏/冬

原创 Pandas（八）——分类数据

原创 概率统计——常见分布与假设检验

前言PMFPMFPMF：用于二项分布、泊松分布概率质量函数（Probability Mass Function），用来描述离散型随机变量的分布律。定义：假定离散型随机变量XXX，共有nnn个取值，X1,X2,⋯ ,XnX_1,X_2,\cdots ,X_nX1​,X2​,⋯,Xn​，那么P(X=Xn)≥0，∑1nP(X=Xn)=1P(X=X_n)≥0，\sum_1^nP(X=X_n)=1P(X=Xn​)≥0，1∑n​P(X=Xn​)=1PDFPDFPDF：均匀分布、正态分布、指数分布概率密度函

原创 Pandas（七）——文本数据（Textual Data）

前言文本数据指不能参与算术运算的任何字符，也称为字符型数据。如英文字母、汉字、不作为数值使用的数字(以单引号开头)和其他可输入的字符。文本数据的特点半结构化文本数据既不是完全无结构的也不是完全结构化的。例如文本可能包含结构字段，如标题、作者、出版日期、长度、分类等，也可能包含大量的非结构化的数据，如摘要和内容。高维文本向量的维数一般都可以高达上万维，一般的数据挖掘、数据检索的方法由于计算量过大或代价高昂而不具有可行性。高数据量一般的文本库中都会存在最少数千个文本样本，对这些文本进行预处

原创 概率统计——数理统计与描述性统计

概率是用计算概括的常识。\textbf{概率是用计算概括的常识}。概率是用计算概括的常识。——拉普拉斯数理统计以下这些概念，你品，你细品~名词符号概念总体XXX研究对象的全体，通常就是指一个随机变量。个体XiX_iXi​组成总体的每个基本单元样本X1,X2,...XnX_1,X_2,...X_nX1​,X2​,...Xn​从总体中随机抽取的一部分个体，容量为nnn样本容量nnn一个样本中个体的数量样本空间Ω\OmegaΩ随机试验EE.

原创 Pandas（六）——缺失数据（Missing Data）

Pandas——缺失数据（Missing Data）思维导图基本概念缺失值的分类数据值的处理方法缺失观测及其类型缺失数据的运算与分组填充与剔除插值（interpolation）思维导图基本概念缺失值的分类按照数据缺失机制可分为：可忽略的缺失完全随机缺失(missing completely at random, MCAR)所缺失的数据发生的概率既与已观察到的数据无关,也与未观察到的数据无关.随机缺失(missing at random, MAR)假设缺失数据发生的概率与所观察

原创 概率统计——随机事件与随机变量

概率统计——随机事件与随机变量随机事件基本概念概率定义主要性质古典概型古典概型公式浅析排列组合排列（Arrangement）组合（Combination）例题条件概率全概率公式贝叶斯公式随机变量随机变量&&随机变量的分布函数随机变量随机变量的分布函数离散型随机变量常见的离散型分布二项分布（Bernoulli分布）随机变量的数字特征数学期望（均值）——离散型/连续型方差、均方差（标准差）、协方差、相关系数随机事件基本概念名词符号概念随机现象现实生活中，一个动作或

原创 C++顺序表基本操作的代码笔记

//1.创建一个顺序表 //2.遍历顺序表 //3.通过下标获取元素//4.查找要查询的元素的下标 //5.通过下标插入元素 //6.通过下标删除一个元素//7.获取顺序表的长度 //8.删除所有元素 //9.判断顺序表是否为空//10.判断顺序表是否满 //11.根据数据删除节点 //12.在头部插入数据//13.在头部删除数据 /...

原创 C++单链表基本操作的代码笔记

//单链表的12个操作：//1.创建单链表 //2.遍历单链表 //3.获取单链表的长度 //4.判断单链表是否为空 //5.获取节点//6.在尾部插入指定元素 //7.在指定位置插入指定元素 //8.在头部插入指定元素//9.在尾部删除元素 //10.删除所有元素 //11.删除指定元素 //12.在头部删除元素#include ...

原创 多项式插值问题

我写博客没别的意思，就是做个笔记，方便回头复习。起因是，在看MOOC的西交大的算法课，这个问题看了N遍也没看懂，这我能忍？就查了点儿别的大佬的分享，简单总结一下，若侵权，请别纠。这个问题的意思是：根据已知数据点的值，来预测未知数据点的值。详细的说就是：已知n+1个点的值，就可以求出一个n次的插值函数p(x)，p(x)是接近未知原函数f(x)的函数，根据插值函数p(x)求出f(x)的未知...