- 综合排序
- 最热优先
- 最新优先
- 来自专栏机器学习算法工程师
《机器学习》笔记-集成学习（8）
对于自己，经历了一段时间的系统学习（参考《机器学习/深度学习入门资料汇总》），现在计划重新阅读《机器学习》[周志华]和《深度学习》[Goodfellow et al]这两本书，并在阅读的过程中进行记录和总结 这两本是机器学习和深度学习的入门经典。 笔记中除了会对书中核心及重点内容进行记录，同时，也会增加自己的理解，包括过程中的疑问，并尽量的和实际的工程应用和现实场景进行结合，使得知识不只是停留在理论层面，而是能够更好的指导实践。 记录笔记，一方面，是对自己先前学习过程的总结和补充。 另一方面，相信这个系列学习过程的记录，也能为像我一样入门机器学习和深度学习同学作为学习参考。 个体学习器要有一定的“准确性”，即学习器不能太坏，而且要有“多样性”（diversity），即学习器之间有差异。事实上，如何产生并结合“好而不同”的个体学习器，恰是集成学习研究的核心。
83760发布于 2018-03-30 - 来自专栏石开之旅
硬件笔记（8）----USB学习笔记5
bDeviceClass 1 设备类别 5 bDeviceSubClass 1 设备子类别 6 bDeviceProtocol 1 设备协议 7 bMaxPacketSize0 1 端点 0 的最大数据包大小 8 根据设备，数据包的大小可以为 8 个字节、16 个字节、32 个字节和 64 个字节。 iManufacturer、iProduct 和 iSerialNumber 都是字符串描述符索引。 表 8 显示的是接口描述符的结构。 更多有关报告描述符的信息，请参考 AN57473 — PSoC®3 和 PSoC 5LP 的 USB HID 初级应用笔记以及 AN58726 — PSoC®3 和 PSoC 5LP 的 USB HID 中级应用笔记。
2.1K20发布于 2019-07-02 - 来自专栏python3
Python 学习笔记 （8）—— sy
__builtin__', 'warnings', 'UserDict', 'encodings.utf_8', 'sys', 'codecs', 'readline', 'os.path', 'signal sys.setdefaultencoding() 设置系统默认编码 执行dir（sys）时不会看到这个方法，在解释器中执行不通过，可以先执行reload(sys)，再执行 setdefaultencoding('utf8' )，此时将系统默认编码设置为utf8。 >>> reload(sys) <module 'sys' (built-in)> >>> sys.setdefaultencoding('utf8') sys.getfilesystemencoding () 获取文件系统使用编码方式 >>> sys.getfilesystemencoding() 'UTF-8' sys.stdin,sys.stdout,sys.stderr 标准输入和标准错误
1.2K30发布于 2020-01-08 - 来自专栏不想当开发的产品不是好测试
K8S学习笔记
docker -- 容器 k8s -- 编排容器的工具/平台 k8s进行管理应用的时候，基本步骤是：创建集群，部署应用，发布应用，扩展应用，更新应用。 比如，当使用 kubectl 命令行接口时，CLI 会执行必要的 Kubernetes API 调用，也可以在程序中直接调用 Kubernetes API k8s集群 ? 并不会，在k8s只要使用两条指令就可以创建一个集群，一个是kubectl init进行初始化，创建一个master节点，第二条指令就是kubectl join xxx创建一个node节点，加入这个集群。 在这边可以看到k8s在物理上进行划分的时候，划分了两种类型的主机，一个master节点，主要用来调度，控制集群的资源等功能；而node节点，主要是用来运行容器的节点，也就是运行服务的节点。 其实实k8s本身不关心pod内部是什么类型容器，可以有多个容器在pod内启动（官方建议单一pod单一容器），pod内容器共享网络,共享存储，pod可以由控制器启动，控制器也就是k8s负责编排的组件之一，
92020发布于 2020-03-19 - 来自专栏CV学习史
Deep learning with Python 学习笔记（8）
也就是说，这些分支共享相同的表示，并同时对不同的输入集合学习这些表示 from keras import layers from keras import Input from keras.models 这种 1×1 卷积［也叫作逐点卷积（pointwise convolution）］是 Inception 模块的特色，它有助于区分开通道特征学习和空间特征学习。 如果你假设每个通道在跨越空间时是高度自相关的，但不同的通道之间可能并不高度相关，那么这种做法是很合理的 深度学习中的表示瓶颈 在 Sequential 模型中，每个连续的表示层都构建于前一层之上，这意味着它只能访问前一层激活中包含的信息 残差连接可以将较早的信息重新注入到下游数据中，从而部分解决了深度学习模型的这一问题 深度学习中的梯度消失 反向传播是用于训练深度神经网络的主要算法，其工作原理是将来自输出损失的反馈信号向下传播到更底部的层
92920发布于 2019-09-10 - 来自专栏老司机的技术博客
golang学习笔记8:控制结构
关键字 if 和 else 之后的左大括号 { 必须和关键字在同一行，如果你使用了 else-if 结构，则前段代码块的右大括号 } 必须和 else-if 关键字在同一行。这两条规则都是被编译器强制规定的。
67630发布于 2018-11-06 - 来自专栏达达前端
PHP全栈学习笔记8
PHP全栈学习笔记8 面向对象的基本概念，面向对象编程，oop，面向对象，面向对象的分析，面向对象的设计，面向对象的编程，什么是类。 类，属性和方法，类，对象，面向对象编程的三大特点。 感谢你学习今天的内容，如果你觉得这篇文章对你有帮助的话，也欢迎把它分享给更多的朋友，感谢。 感谢！承蒙关照！您真诚的赞赏是我前进的最大动力！
83730发布于 2019-07-03 - 来自专栏科技记者
第8章 集成学习 笔记
bagging, boosting和随机森林是应用最广泛的三类集成学习算法。 Boosting：与bagging类似，区别是boosting是顺序进行，后一轮分类器与之前分类器的结果有关，即在错分基础上学习，补偿学习。 bagging和boosting都采用了集成学习的思想，不同之处是bagging组合独立的模型，boostong迭代学习。 = 1000, interaction.depth = 7, shrinkage = 0.01, cv.folds = 3) # shrinkage 步长减少参数，即学习速度 （决策树）组合得到一个强学习机，处理过程和bagging非常相似，首先boostrap采样，从中找到能提供最佳分割效果的预测属性。
66440编辑于 2022-03-04 - 来自专栏Lvshen的技术小屋
《Java8实战》学习笔记
最近抽空看了《Java8实战这本书》，收获很多，这本书着重介绍了Java8的两个新特性：Lambda表达式和stream()的使用，简化了我们的开发。下面是我在读这本书所做的笔记，也是我的一些收获。 s.isEmpty()); Java8中forEach方法的使用 假如有一个list集合，循环获取里面的值，Java8之前是这样做的。 stream学习 代码举例 假设我现在要获取卡路里小于400的食物，并将这些食物排序 public static void main(String[] args){ getLowCaloricDishesNamesInJava8 java8的打印方式如下。 pairs.forEach(pair -> System.out.println("("+pair[0]+","+pair[1]+")")); 由于本书才看了一半，后续的笔记还在记录当中。
67720编辑于 2022-05-05 - 来自专栏Lauren的FPGA
学习笔记：深度学习与INT8
上期内容：过约束到底怎么做 越来越精确的深度学习模型面临两大挑战：计算密度越来越高；存储带宽越来越大。解决此问题的可行方法之一就是降低数据位宽。 实践证明，在某些CNN模型中，采用INT8与采用浮点数据相比，精度损失很小。 这里我们将关注点放在INT8的具体实现上。就CNN模型而言，INT8主要用在卷积层。 DSP48E2的结构如下图所示（图片来源：wp486, Figure 1），这里我们将利用一个DSP48E2同时实现两个INT8乘法，前提条件是这两个INT8乘法具有一个相同的因子，也就是同时实现axb DSP48E2的B端口为18位，将数据b进行符号位扩展，低8位填充数据b。最终，DSP48E2的P端口（48位）将输出ab（或ab-1）和db。 ? 在实际应用中，充分利用DSP48E2实现两个INT8相乘可有效节省乘法器资源，提高乘法器的利用率。 ?
2K21发布于 2020-06-30 - 来自专栏WD学习记录
机器学习 学习笔记（8） 决策树
决策树的损失函数通常是正则化的极大似然函数，决策树学习的策略是以损失函数为目标函数的最小化。 决策树学习算法包含特征选择、决策树的生成与决策树的剪枝过程，由于决策树表示一个条件概率分布，因此深浅不同的决策树对应着不同复杂度的概率模型。 剪枝处理 剪枝是决策树学习算法对付过拟合的主要手段。主要有预剪枝和后剪枝。 为参数，则决策树学习的损失函数为： ? ，经验熵为 ? ， 损失函数中的右边的第一项为： ? ，此时有 ? 多变量决策树 多变量决策树又称为斜决策树，实现如下图所示的斜划分 甚至更复杂的决策树： image.png image.png 参考 《机器学习》 《统计学习方法》 《机器学习实战》
1K10发布于 2018-09-03 - 来自专栏菩提树下的杨过
babylon.js 学习笔记(8)
接上回继续，现在的村庄已经有点象样了，但是远处的背景仍比较单调(如下图），今天来学习如何处理天空背景。 scene); box.material = shapeMaterial; box.position.x = -20; box.rotation.y = Math.PI / 8; = -Math.PI / 4; // Sphere var ball = BABYLON.MeshBuilder.CreateSphere("ball", { diameter: 8 = shapeMaterial; ball.position = new BABYLON.Vector3(-5, 2, 5); ball.rotation.y = Math.PI / 8; ball.rotation.x = -Math.PI / 8; //Ground var ground = BABYLON.MeshBuilder.CreateGround(
1.1K40编辑于 2023-06-10 - 来自专栏探物及理
强化学习笔记8：整合学习和规划
1、introduction 第7章节，讲了PG，从episode经验学习到 策略 policy 之前的章节，讲了从episode 经验学习到 价值函数 本章，从过去经验学习到环境模型 通过规划的手段 的学习方法 Model-free RL 无模型 从真实环境Env采样，学习价值函数 Model-based RL 从真实环境Env中学习，建模Model 从Model虚拟采样，规划价值函数 Dyna 从真实环境Env中学习，建模Model 根据Env 和 Model采样，同时学习 并 规划 价值函数 ? a,b,c,d,和e都是从实际经历中学习，d过程是学习价值函数，e过程是学习模型。 在f步，给以个体一定时间（或次数）的思考。 类似监督学习里，用数据增强，来丰富数据集。 例子 将规划引入RL之后，规划比学习具有更小的抖动和噪声，稳定性好 ?
1K20发布于 2020-08-31 - 来自专栏python3
Python学习笔记8——列表、字典、元
参考书籍：《Learning_Python_5th_Edition.pdf》，一本英文书呢，我上传到百度网盘吧，请点击这里，密码是：kym3
73920发布于 2020-01-19 - 来自专栏Visual Codex
STL学习笔记（8）常用容器 list
链表是一种物理存储单元上非连续、非顺序的存储结构，数据元素的逻辑顺序是通过链表中的指针链接次序实现的。链表由一系列结点（链表中每一个元素称为结点）组成，结点可以在运行时动态生成。每个结点包括两个部分：一个是存储数据元素的数据域，另一个是存储下一个结点地址的指针域。 相较于 vector 的连续线性空间，list 就显得负责许多，它的好处是每次插入或者删除一个元素，就是配置或者释放一个元素的空间。因此，list 对于空间的运用有绝对的精准，一点也不浪费。而且，对于任何位置的元素插入或元素的移除，list 永远是常数时间。
57620发布于 2021-04-13 - 来自专栏YO大数据
python学习笔记（8）python 异常处理
把有可能发生错误的语句放在try模块里，用except来处理异常。except可以处理专门的异常，也可以处理一组异常（使用圆括号），也可以处理所有异常，默认情况下处理所有异常，每个try，至少有一个except。
83310发布于 2021-08-16 - 来自专栏菩提树下的杨过
ExtJs学习笔记(8)_TabPanel的用法
://www.w3.org/1999/xhtml"> <head> <meta http-equiv="Content-Type" content="text/html; charset=utf-<em>8</em>" .list {list-style:square;width:500px;padding-left:16px;} .list li{padding:2px;font-size:8pt /* default loading indicator for ajax calls */ .loading-indicator { font-size:8pt
1K50发布于 2018-01-24 - 来自专栏企鹅号快讯
《教育统计与SPSS应用》学习笔记（8）
第8讲 回归分析 主要内容 回归分析简介 一元线性回归分析 多元线性回归分析 第一部分 回归分析简介 一、回归分析的意义 表示变量之间的不确定性关系以及关系的密切程度，统计学上可以用相关关系来表达
1.3K80发布于 2018-02-27 - 来自专栏刘君君
JDK8的HashMap源码学习笔记
正文: 概念 HashMap是数组+链表+红黑树实现的，红黑树是在JDK8中增加的，优化了链表过长的效率问题 HashMap 泊松分布 HashMap源码注释有提到这个概念，泊松分布是单位时间内独立事件发生次数的概率分布 )-1) static final float DEFAULT_LOAD_FACTOR = 0.75f; //默认加载因子 static final int TREEIFY_THRESHOLD = 8; int cap) { int n = cap - 1; n |= n >>> 1; n |= n >>> 2; n |= n >>> 4; n |= n >>> 8; 0 : (h = key.hashCode()) ^ (h >>> 16); } hash 可以看到在JDK8的实现中，优化了高位运算的算法，自己的高半区和低半区做异或，减少了低位的碰撞率。 ((e = p.next) == null) { p.next = newNode(hash, key, value, null); //链表长度大于8转换为红黑树进行处理
1.3K80发布于 2018-05-21 - 来自专栏第三方工具
java8 Lambda及Stream学习笔记
Lambda表达式 Lambda 表达式可以替代只有一个抽象函数的接口实现. Lambda表达式同时还提升了对集合、框架的迭代、遍历、过滤数据的操作。
12810编辑于 2024-10-09
腾讯云开发者
Copyright © 2013 - 2026 Tencent Cloud. All Rights Reserved. 腾讯云 版权所有
深圳市腾讯计算机系统有限公司 ICP备案/许可证号：粤B2-20090059 
粤公网安备44030502008569号
腾讯云计算（北京）有限责任公司 京ICP证150476号 | 京ICP备11018762号