机器
机器学习——文本预处理
对于序列数据处理问题，我们在 8.1节中 评估了所需的统计工具和预测时面临的挑战。 这样的数据存在许多种形式，文本是最常见例子之一。 例如，一篇文章可以被简单地看作一串单词序列，甚至是一串字符序列。 本节中，我们将解析文本的常见预处理步骤。 这些步骤通常包括： 将文本作为字符串加载到内存中。 将字符 ......
机器学习——序列模型
在本质上，音乐、语音、文本和视频都是连续的。 如果它们的序列被我们重排，那么就会失去原有的意义。 比如，一个文本标题“狗咬人”远没有“人咬狗”那么令人惊讶，尽管组成两句话的字完全相同。 处理序列数据需要统计工具和新的深度神经网络架构。 为了简单起见，我们以 图8.1.1所示的股票价格（富时100指数 ......
zabbix基于docker容器部署配置企业微信机器人告警实例
配置 zabbix server 1.先在企业微信内创建机器人 2. 查看webhook 地址 3. 找到脚本执行目录 grep -Ev '^$|#' /etc/zabbix/zabbix_server.conf | grep ^A 4. 进入默认的脚本存放路径 cd /usr/lib/zabbix ......
为zabbix_server_docker容器安装Python 3完善机器人告警脚本环境
1.安装Python 3 dnf install python3 2.要验证安装，请输入以下命令检查Python版本： python3 --version 3.建立软连接： ln -s /usr/bin/python3.6 /usr/bin/python 4.安装epel： dnf install ......
使用itchat实现一个微信机器人聊天回复功能
近看到好多群里都有一个@机器人的功能，挺有趣的，想自己也玩下，就通过百度一点点实现，在这总结一下整个从无到有的过程。 首先，要知道itchat，它是Python写的，所以想要实现这个机器人的功能，需要使用Python（就是Python，ε=(´ο｀*)))唉），我是一点Python都不会，但是没关系 ......
[机器学习复习笔记] PCA 主成分分析（特征值分解、SVD分解）
PCA 主成分分析 1. 特征值分解 1.1 特征值分解的前提 矩阵是 方阵 矩阵是 可对角化的，即通过相似变化转化为对角矩阵。（相似变换 不会改变矩阵的特征值和特征向量 ） 矩阵的特征向量 线性无关，保证了特征值分解的 唯一性。 1.2 特征值分解 给定一个矩阵 \(A \in \mathbb{R ......
process-exporter 监控linux机器进程使用情况
process-exporter 监控linux机器进程使用情况 背景 前期一直想进行 关于 IP地址的来源和目的地的监控 但是耗费了很多精力都没有搞定. 感觉应该去偷师一下安全监控软件的使用方式. 今天晚上再github上面漫无目的的进行 exporter的查找 依旧一无所获, 但是找到了 pro ......
韩国一男子被机器人压死
具体内容链接： https://app.myzaker.com/news/article.php?pk=654c8b348e9f09494a50c451 虽然说这不是首次机器人伤人事件，但这却是首次机器人致人死亡事件，这个或许成为一个人类历史上的里程牌似的事件。 人类历史上的首起机器人杀人事件！！！ ......
给无网机器制作离线yum源
安装环境准备： 系统版本：CentOS Linux release 7.6.1810 (Core) 以下是资源包下载地址： deltarpm-3.6-3.el7.x86_64.rpm python-deltarpm-3.6-3.el7.x86_64.rpm libxml2-2.9.1-6.el7_9 ......
《转-已验证》本地宿主机器显示Docker 容器中的图像（Docker容器可视化）
我们在Docker容器中运行程序，有的时候需要显示容器中的图像，或在容器中运行一些图形界面的软件、调用摄像头等，而Docker采用的是命令行的工作模式，那么docker容器中的输出图像等如何在宿主屏幕上显示呢，可以采用文件挂载或者网络通信的方式。 1、在本地宿主机器上安装X11界面工具，一般Linu ......
机器学习——稠密连接网络DenseNet
从ResNet到DesNet 稠密块体 DenseNet使用了ResNet改良版的“批量规范化、激活和卷积”架构（参见 7.6节中的练习）。 我们首先实现一下这个架构。 import torch from torch import nn from d2l import torch as d2l de ......
机器学习——残差网络
函数类 残差块 import torch from torch import nn from torch.nn import functional as F from d2l import torch as d2l class Residual(nn.Module): #@save def __in ......
机器学习——批量规范化
训练深层神经网络是十分困难的，特别是在较短的时间内使他们收敛更加棘手。 本节将介绍批量规范化（batch normalization） (Ioffe and Szegedy, 2015)，这是一种流行且有效的技术，可持续加速深层网络的收敛速度。 再结合在 7.6节中将介绍的残差块，批量规范化使得研究 ......
机器学习——含并行连结的网络GoogLeNet
Inception块 在GoogLeNet中，基本的卷积块被称为Inception块（Inception block）。具体结构如下图： 这四条路径都使用合适的填充来使输入与输出的高和宽一致，最后我们将每条线路的输出在通道维度上连结，并构成Inception块的输出。在Inception块中，通常调 ......
NLP机器翻译全景：从基本原理到技术实战全解析
机器翻译是使计算机能够将一种语言转化为另一种语言的技术领域。本文从简介、基于规则、统计和神经网络的方法入手，深入解析了各种机器翻译策略。同时，详细探讨了评估机器翻译性能的多种标准和工具，包括BLEU、METEOR等，以确保翻译的准确性和质量。 关注TechLead，分享AI全维度知识。作者拥有10+ ......
机器学习——深度卷积神经网络AlexNet
AlexNet相对于LeNet的主要优势包括: 1. 更深的网络结构 AlexNet有8层结构,而LeNet只有5层。网络更加深入有利于学习更抽象的高级特征。 2. 使用ReLU激活函数 AlexNet使用ReLU激活函数,避免梯度消失问题,使得深层网络的训练更加容易。 3. 引入Dropout操作 ......
机器学习——使用块的网络VGG
VGG块 虽然AlexNet证明深层神经网络卓有成效，但它没有提供一个通用的模板（例如VGG块）来指导后续的研究人员设计新的网络。 在下面的几个章节中，我们将介绍一些常用于设计深层神经网络的启发式概念。 经典卷积神经网络的基本组成部分是下面的这个序列： 带填充以保持分辨率的卷积层； 非线性激活函数， ......
机器学习——网络中的网络NiN
NiN块 回想一下，卷积层的输入和输出由四维张量组成，张量的每个轴分别对应样本、通道、高度和宽度。 另外，全连接层的输入和输出通常是分别对应于样本和特征的二维张量。 NiN的想法是在每个像素位置（针对每个高度和宽度）应用一个全连接层。 如果我们将权重连接到每个空间位置，我们可以将其视为1*1卷积层， ......
如何制作微信机器人程序编程，需要掌握那些技巧
创建微信机器人通常涉及以下步骤和技能： 技能要求： 编程语言知识： 掌握至少一种编程语言，如Python、JavaScript等。 了解微信API： 熟悉微信公众平台开发，了解微信公众号API，特别是消息管理、用户管理等接口。 网络编程基础： 理解HTTP协议，能够处理网络请求和响应。 服务器配置能 ......
怎么写一个微信自动回复机器人，如何实现呢
编写一个微信自动回复机器人的关键步骤通常包括设置微信公众号、创建服务器后端以处理请求、编写自动回复逻辑以及部署和测试你的机器人。以下是一个基于Python使用Flask框架创建简单的自动回复机器人的大致步骤： 1. 注册微信公众号 你需要有一个微信公众号才能创建机器人。可以在微信公众平台注册，并申请 ......
PYTHON银行机器学习:回归、随机森林、KNN近邻、决策树、高斯朴素贝叶斯、支持向量机SVM分析营销活动数据|数据分享
全文下载链接：http://tecdat.cn/?p=26219 最近我们被客户要求撰写关于银行机器学习的研究报告，包括一些图形和统计输出。 该数据与银行机构的直接营销活动相关，营销活动基于电话。通常，需要与同一客户的多个联系人联系，以便访问产品（银行定期存款）是否会（“是”）或不会（“否”）订阅 ......
[机器学习复习笔记] 岭回归、LASSO回归
岭回归、LASSO回归 1. 岭回归 1.1 岭回归 L2正则化 在之前的 中，使用 最小二乘法求解线性回归问题 时，讨论到了 \(X^TX\) 是否可逆。 最小二乘法得到的解析解为： \[\theta = (X^TX)^{-1}X^Ty \]此时只有 \(X\) 列满秩 才有解，即 \(\text ......
[机器学习复习笔记] BGD, SGD, MBGD
BGD, SGD, MBGD 1. BGD 批量梯度下降法（Batch Gradient Descent） 1.1 批量梯度下降法介绍 在 梯度下降法 每次迭代中，将 所有样本 用来进行参数 \(\theta\) （梯度）的更新，这其实就是 批量梯度下降法。 批量梯度下降法 的 损失函数表达式： \ ......
[机器学习复习笔记] Grandient Descent 梯度下降法
Grandient Descent 1. 梯度下降法 1.1 梯度与梯度下降 对于 一元函数 来说，梯度就是函数的导数；对于 多元函数 来说，梯度是一个由函数所有 偏微分 组成的向量。 梯度下降 是通过一步步迭代，使得所有 偏微分 的值达到最低。 可以以简单的 一元二次函数 \(y = (x - 1 ......
Python 机器学习入门：数据集、数据类型和统计学
机器学习是通过研究数据和统计信息使计算机学习的过程。机器学习是迈向人工智能（AI）的一步。机器学习是一个分析数据并学会预测结果的程序。 数据集 在计算机的思维中，数据集是任何数据的集合。它可以是从数组到完整数据库的任何东西。 数组的示例： [99,86,87,88,111,86,103,87,94, ......
机器学习之使用seaborn绘制各类图形
使用seaborn绘制单双变量，类别散点图，箱型图，小提琴图去更直观的观察数据的分布情况 在单变量图中使用displot,参数如下 双变量关系图使用joinplot，参数如下图 类别散点图使用stripplot(),参数如下 小提琴图和箱型图类似，一个使用violinplot(),另一个使用boxp ......
机器学习——汇聚层
最大汇聚层和平均汇聚层 填充和步幅 多个通道 汇聚层的目的 1. 降低卷积层对位置的敏感性 卷积层的输出特征图对目标的位置是很敏感的。池化可以减少这种位置敏感性。比如我们做2x2最大池化,输出特征图的值就仅依赖于输入特征图2x2的区域,不再过于依赖位置信息。 2. 降低对空间采样表示的敏感性 卷积层 ......
机器学习——多输入多输出通道
多输入通道 多输出通道 1*1卷积核 当以每像素为基础应用时，1*1卷积层相当于全连接层。 1*1卷积层通常用于调整网络层的通道数量和控制模型复杂性。 ......
这次弄下k8s 分布式多机测试，这次专门多创建了几个机器进行安装，实时监控机器状态
k8s 实机分布式测试，这次弄一下这个，上次弄的是单机版本的minikube, 在单机上minikube替代了kubectl的工作，在单机上可以创建多个布署等，实际使用会有多个系统，分布式才是正常生产时发按它效率的时间。 k8s说明上要求机器要有2g内存，这里我创建了四个vm, 每个4g内存，这样可 ......