机器recognition learning教材
机器学习——自动微分
深度学习框架可以自动计算导数的原理主要如下: 1. 深度学习框架实现了自动微分机制,可以自动生成计算图,并记录运算过程。 2. 在计算图中,每个变量都是计算节点,变量之间通过计算操作连接。 3. 框架会跟踪整个计算图,记录每个变量的运算关系和数据流动。 4. 对于要求导数的变量,我们将其标记为要求导 ......
机器学习——降维
默认情况下，调用求和函数会沿所有的轴降低张量的维度，使它变为一个标量。 x = torch.arange(4, dtype=torch.float32) x, x.sum() (tensor([0., 1., 2., 3.]), tensor(6.)) 我们还可以指定张量沿哪一个轴来通过求和降低维度 ......
ST-SSL: 用于交通流量预测的时空自监督学习《Spatio-Temporal Self-Supervised Learning for Traffic Flow Prediction》(交通流量预测、自监督)
2023年10月23日，继续论文，好困，想发疯。 论文：Spatio-Temporal Self-Supervised Learning for Traffic Flow Prediction Github：https://github.com/Echo-Ji/ST-SSL AAAI 2023的论文 ......
k8s 扩容指定版本机器 kubeadm
一、新增机器 二、同步/etc/hosts文件 三、关闭新机器防火墙 systemctl stop firewalld systemctl disable firewalld 四、新机器增加repo文件 cat kubernetes.repo [kubernetes] name=Kubernetes ......
土狗夹子机器人使用教程
币圈量化夹子机器人使用步骤 第 1 步 - 在谷歌浏览器 中设置 MetaMask小狐狸 钱包获取MetaMask小狐狸钱包地址：https://metamask.io/ 第 2 步 - 将币安智能链网络添加到 MetaMask将BSC智能链添加到小狐狸钱包： 第 3 步 - 打开Remix部署智能 ......
机器学习——数据预处理（读这一篇就够了！）
为了能用深度学习来解决现实世界的问题，我们经常从预处理原始数据开始， 而不是从那些准备好的张量格式数据开始。 下面我们将简要介绍使用pandas预处理原始数据，并将原始数据转换为张量格式的步骤。 1.读取数据集 举一个例子，我们首先创建一个人工数据集，并存储在CSV（逗号分隔值）文件 ../data ......
【Python微信机器人】第二篇：将python注入到其他进程
目录修整 目前的系列目录(后面会根据实际情况变动): 在windows11上编译python 将python注入到其他进程并运行 使用C++写一个python的pyd库，用于实现inline hook Python ctypes库的使用 使用ctypes主动调用进程内的任意函数 使用汇编引擎调用进程 ......
图机器学习：从图谱角度来理解图增广
图对比学习（Graph Contrastive Learning, GCL）旨在以自监督的方式学习图的节点表征。具体而言，先以特定方式对原图A进行增广，得到两个增广后的视图（view）V1和V2做为对比对（也可以是原图和增广后的视图做为对比对），并经由GCN进行编码得到两个增广视图中的节点embed... ......
[论文速览] SimCSE@ Simple Contrastive Learning of Sentence Embeddings
Pre title: SimCSE: Simple Contrastive Learning of Sentence Embeddings accepted: EMNLP 2021 paper: https://arxiv.org/abs/2104.08821 code: https://githu ......
数据分析和机器学习的11个高级可视化图表介绍
可视化是一种强大的工具，用于以直观和可理解的方式传达复杂的数据模式和关系。它们在数据分析中发挥着至关重要的作用，提供了通常难以从原始数据或传统数字表示中辨别出来的见解。 可视化对于理解复杂的数据模式和关系至关重要，我们将介绍11个最重要和必须知道的图表，这些图表有助于揭示数据中的信息，使复杂数据更加 ......
两台实体机器4个虚拟机节点的Hadoop集群搭建（Ubuntu版）
安装Ubuntu Linux元信息 两台机器，每台机器两台Ubuntu Ubuntu版本：ubuntu-22.04.3-desktop-amd64.iso 处理器数量2，每个处理器的核心数量2，总处理器核心数量4 单个虚拟机内存8192MB（8G），最大磁盘大小30G 参考链接 清华大学开源软件镜像 ......
机器学习张量运算——广播机制
概念介绍（基础） 练习* 用其他形状（例如三维张量）替换广播机制中按元素操作的两个张量。结果是否与预期相同？ a = torch.arange(20).reshape((5,1,4)) b = torch.arange(48).reshape((6,2,4)) (a+b).shape Runtime ......
机器学习——数据操作（读这一篇就够了！）
为了能够完成各种数据操作，我们需要某种方法来存储和操作数据。 首先，我们介绍维数组，也称为<strong><em>张量</em></strong>（tensor）。 使用过Python中N ......
第七周Linux教材第三章学习笔记——Unix/Linux进程管理
Unix/Linux进程管理 3.1 多任务处理 在计算机技术中，多任务处理指的是同时执行几个独立的任务。多任务处理是通过在不同任务之间多路复用CPU的执行时间来实现的，即将CPU执行操作从一个任务切换到另一个任务。不同任务之间的执行切换机制称为上下文切换，将一个任务的执行环境更改为另一个任务的执行 ......
机器学习知识点目录
监督学习 回归 线性回归 线性回归表达式 \[\hat{y} = w x + b \]其中，\(\hat{y}\)表示预测值，\(\theta_0\)表示截距，\(\theta_1\)到\(\theta_n\)表示回归系数，\(x_1\)到\(x_n\)表示特征。 代价函数 \[J(\theta) ......
【无监督机器学习】10.强化学习
强化学习 强化学习概念 强化学习是一种无监督学习，它的目标是从环境中学习，以达成某种目标。强化学习的核心是奖励函数，通过与环境的交互，获得环境的反馈，从而学习到奖励函数，最终达成目标。 与监督学习不同的是，强化学习并未给出正确的答案，而是根据奖励一步步学习，因此强化学习的训练过程是一个不断试错的过程 ......
《Unix/linux系统编程》教材第3章学习笔记
|第3章| Unix/Linux进程管理 多任务处理 一般来说，多任务处理指的是同时进行几项独立活动的能力。在计算机技术中，多任务处理指的是同时执行几个独立的任务。在单处理器（单CPU）系统中，一次只能执行一个任务。多任务处理是通过在不同任务之间多路复用CPU的执行时间来实现的，即将CPU执行操作从 ......
《Unix/Linux系统编程》教材学习笔记第三章
chapter3 多任务处理 一般来说，多任务处理指的是同时进行几项独立活动的能力。在计算机技术中，多任务处理指的是同时执行几个独立的任务。在单处理器（单CPU）系统中，一次只能执行一个任务。多任务处理是通过在不同任务之间多路复用CPU的执行时间来实现的，即将CPU执行操作从一个任务切换到另一个任务 ......
【无监督机器学习】9.推荐系统
推荐系统 推荐系统的定义 推荐系统是利用用户产生的行为数据，对用户的兴趣进行建模，从而给用户推荐可能感兴趣的物品。 推荐系统的应用 电商网站 新闻网站 流媒体平台 协同过滤 协同过滤是一种基于用户行为的推荐算法，它的基本思想是利用用户的历史行为数据，计算用户之间的相似度，然后根据相似度为用户生成推荐 ......
Scikit-learn 的 preprocessing.LabelEncoder函数：标签编码
参考文档：https://pythonjishu.com/sklearn-preprocessing-labelencoder/ 转换类别数据为整数：LabelEncoder 可以将字符串或其他类别型数据转换为整数。例如，如果你有一个特征包含类别 "红色"、"绿色" 和 "蓝色"，LabelEnco ......
Paper Reading: Sample and feature selecting based ensemble learning for imbalanced problems
为了克服现有集成方法的缺点，本文提出一种新的混合集成策略——样本和特征选择混合集成学习 SFSHEL。SFSHEL 考虑基于聚类的分层对大多数样本进行欠采样，并采用滑动窗口机制同时生成多样性的特征子集。然后将经过验证训练的权重分配给不同的基学习器，最后 SFSHEL 通过加权投票进行预测。SFSHE... ......
机器学习语音处理：滤波器组、梅尔频率倒谱系数 （MFCC）
机器学习语音处理：滤波器组、梅尔频率倒谱系数 （MFCC） 以及介于两者之间的内容 语音处理在任何语音系统中都起着重要作用，无论是自动语音识别（ASR）还是说话人识别或其他东西。长期以来，梅尔频率倒谱系数 （MFCC） 是非常流行的特征;但最近，过滤器库变得越来越受欢迎。本文将讨论过滤器组和MFCC ......
强化学习Q-Learning和DQN算法
1 Q-Learning 强化学习中有state和action的两个重要概念。而Q-Learning算法就是用来得到在state上执行action的未来预期奖励。具体的算法流程如下： 初始化一个Q-table。 在当前状态\(s\)选择一个动作\(a\)。 执行动作\(a\)，转移到新的状态\(s' ......
[机器学习] 4. 没有免费午餐定理 No Free Lunch 与 PAC 可学习性
我们来补习一下统计学习框架的正式模型。 输入 一个学习者可以访问以下内容 作用域集合 (Domain set)：一个任意的集合 \(\mathcal X\)，学习者的目标是对其上面的元素进行标记。 标签集合 (Label set)：所有可能的标签 \(\mathcal Y\)。许多时候被限制为 \( ......
机器学习问题分类（监督学习、无监督学习、强化学习）
1.监督学习 监督学习（supervised learning）擅长在“给定输入特征”的情况下预测标签。 每个“特征-标签”对都称为一个样本（example）。 整个监督学习过程如图所示。 图 监督学习 1.1回归 回归（regression）是最简单的监督学习任务之一。当标签取任意数值时，我们称之 ......
《动手学深度学习 Pytorch版》 9.5 机器翻译与数据集
机器翻译（machine translation）指的是将序列从一种语言自动翻译成另一种语言，基于神经网络的方法通常被称为神经机器翻译（neural machine translation）。 import os import torch from d2l import torch as d2l 9 ......
最新教材高中数学课后习题答案
2019版人教A版最新教材高中数学课后习题答案，共112页，包含五本书，高一使用的是必修第一册，第二册，高二使用的选择性必修第一册，第二册，第三册。 ......
fork: retry: No child processes 在go程序中，每个程序启动64个协程会报此错误（每台机器有多个go程序）
解决方案：vi /etc/security/limits.d/20-nproc.conf * soft nproc 4096 root soft nproc unlimited 或者修改4096为unlimited ......
Learn Git in 30 days—— 第 30 天：分享工作中几个好用的 Git 操作技巧
写的非常好的一个Git系列文章，强烈推荐 原文链接：https://github.com/doggy8088/Learn-Git-in-30-days/tree/master/zh-cn 终于来到了最后一天，这篇文章将分享几个好用的 Git 操作技巧，或许可以节省你不少 Git 版控过程的时间。 如 ......
Robust Graph Representation Learning via Neural Sparsification
目录概符号说明NeuralSparse Zheng C., Zong B., Cheng W., Song D., Ni J., Yu W., Chen H. and Wang W. Robust graph representation learning via neural sparsifica ......