暂时未有相关云产品技术能力~
暂无个人介绍
【数据分析】:搭建数据分析业务工作流程
【数据分析】:数据分析三大思路及方法
【数据分析】:什么是数据分析?
第七次人口普查数据可视化分析实战——基于pyecharts(含数据和源码)
《python机器学习从入门到高级》:线性回归和正则化(含源码)
《python机器学习从入门到高级》之分类算法:下(含详细代码)
《python机器学习从入门到高级》分类算法实现:上(含详细代码)
python机器学习从入门到高级:超参数调整(含详细代码)
Python机器学习从入门到高级:模型评估和选择(含详细代码)
Python数据可视化大杀器之地阶技法:matplotlib(含详细代码)
Python机器学习从入门到高级:玩转日期型数据(含代码)
Python机器学习从入门到高级:快速处理文本(含代码)
Python机器学习从入门到高级:手把手教你处理分类型数据(含详细代码)
Python机器学习从入门到高级:带你玩转特征转换(含详细代码)
Python机器学习入门到高级:数据清洗(含详细代码)
Python机器学习入门到高级:数据清洗(含详细代码)
Python机器学习从入门到高级:导入数据(包含数据库连接)
两种方法教你一行代码实现探索性数据分析报告
利用Python进行探索性数据分析(EDA)
Python数据分析大杀器之Pandas基础2万字详解(学pandas基础,这一篇就够啦)
numpy 基础
python数据可视化大杀器之Seaborn详解
# 【推荐系统入门到项目实战】(五):SVD矩阵分解
# 【推荐系统入门到项目实践】(四):Baseline和Slope one算法
# 【推荐系统入门到项目实战】(三):矩阵分解和ALS算法
# 【推荐系统】:关联规则
# 【推荐系统】:协同过滤和基于内容过滤概述
mysql数据库基础第一章:(二)mysql8.0环境搭建
Mysql8.0习题系列(八):窗口函数(一篇学会rank、dense_rank、row_number使用,超详细~)
Mysql8.0习题系列(七):存储函数(一篇学会存储函数,超详细)
Mysql8.0习题系列(五):子查询(一篇搞懂子查询做题技巧,超详细)
Mysql8.0习题系列(六):存储过程(一篇学习存储过程做题,超详细)
Mysql习题系列(三):单行函数
Mysql8.0习题系列
## 1.1 题目 - 1.查询员工12个月的工资总和,并起别名为ANNUAL SALARY - 2.查询employees表中去除重复的job_id以后的数据 - 3.查询工资大于12000的员工姓名和工资 - 4.查询员工号为176的员工的姓名和部门号 - 5.显示表 departments 的结构,并查询其中的全部数
# 1.窗口函数 MySQL从8.0版本开始支持窗口函数。窗口函数的作用类似于在查询中对数据进行分组,不同的是,分组操作会把分组的结果聚合成一条记录,而窗口函数是将结果置于每一条数据记录中。
流程控制语句能够控制存储过程中sql语句的执行程序。主要分为三大类 - `顺序结构`:程序依次运行 - `分支结构`:程序根据条件选择执行 - `循环结构`:程序满足某条件时,重复执行
在mysql中,可以使用变量来存储查询或计算结果,类似python中的变量。在mysql中主要分为:系统变量和自定义变量
# 1.DDL语言基本概述 DDL:数据定义语言 主要包括以下几部分内容: - 库的管理 - 表的管理 - 数据类型 - 约束 下面我们先介绍库的管理
# 一、分页查询基本概述 应用场景:当要显示的数据,一页显示不全,需要分页提交sql请求
子查询作为该系列第二章较难的一部分,需要有一定的思考分析。因此,本文找了一些经典的子查询案例,并写了相应的思路分享给大家。
出现在其他语句中的select语句,称为子查询或内查询。外部的查询语句,称为主查询或外查询
我们之前已经介绍了单通道的卷积是如何进行填充**padding、stride**的。然而在实际分析中,我们的目标任务往往是**多通道**的。本文介绍一下如何进行**多通道输入和多通道输出。**
在之前,我们介绍了卷积核对输入特征的影响。假设输入特征为$n\times n$,核形状为$f\times f$,那么经过卷积核作用后,得到的输出形状为$(n-f+1)\times (n-f+1)$。可以看出,通常情况下输出特征会由于卷积核的作用而减小。而深度神经网络中,由于卷积核的作用,会导致我们的输出过早的变的很小,导致我们无法构建深层的神经网络。本章介绍另外两个影响输出形状的方法,扩充(padding)和步幅(stride)。
>之前已经介绍了基本的神经网络知识以及一些处理过拟合欠拟合的概念。现在我们正式进入卷积神经网络的学习。CNN是⼀类强⼤的、为处理图像数据⽽设计的神经⽹络。基于卷积神经⽹络架构的模型在计算机视觉领域中已经占主导地位,当今⼏乎所有的图像识别、⽬标检测或语义分割相关的学术竞赛和商业应⽤都以这种⽅法为基础。对于计算机视觉而言,面临的一个重大挑战就是数据的输入可能会很大。例如,我们有一张64$\times$ 64的图片,假设通道数为3,那么它是数据量相当于是一个$64\times 64\times 3=12288$的特征向量。当我们要操作更大的图片时候,需要进行卷积计算,它是卷积神经网络中非常重要的一部
训练神经网络时,尤其是深度神经网络所面临的一个重要问题就是梯度爆炸或梯度消失,也就是我们训练神经网络的时候,导数或梯度有时会变得非常大,或者非常小,甚至于以指数方式变小,这加大了训练的难度。接下来我们介绍一些什么是梯度爆炸和梯度消失。
上一章我们介绍了L2正则化和权重衰退,在深度学习中,还有一个很实用的方法——Dropout,能够减少过拟合问题。之前我们介绍了我们的目的是要训练一种泛化的模型,那么就要求模型的鲁棒性较强。一个还不错的尝试是在训练神经网络时,让模型的结果不那么依赖某个神经元,因此在训练神经网络过程中,我们每次迭代将隐藏层的一些神经元随机丢弃掉,这样就不会使得我们的模型太依赖某一个神经元,从而使得我们的模型在未知的数据集上或许会有更好的泛化能力。下面我们具体来看dropout的原理。
前一节我们描述了过拟合的问题,虽然我们可以通过增加更多的数据来减少过拟合,但是成本较高,有时候并不能满足。因此现在我们来介绍一些正则化模型的方法。在深度学习中,权重衰退是使用较为广泛的一种正则化方法。具体原理如下。
机器学习的任务是发现一种泛化的模式,通过训练集发现总体的规律,从而在未知的数据集上也能展现较好的精度。但是如何判断我们的模型不是单纯的记住了数据,而是真的发现了一种规律呢?因为,我们往往只能从有限样本集训练模型,当收集更多的数据时,会发现这些数据的预测结果和之前的关系完全不同。下面我们介绍一些机器学习评估模型的一些基本概念。
上一章中介绍了如何使用softmax回归来进行多分类问题,对于一些基本线性模型基本介绍完毕,下面正式进入深度神经网络的学习。先介绍一个比较基础的模型,多层感知机,它是神经网络的最基础模型。首先我们来看看感知机