白话机器学习的数学笔记系列8代码实现_一元回归

先发这几个吧，其他的等有空再编辑好发出来...欢迎大家指出我的错误哈~

机器学习笔记—-最小二乘法，局部加权，岭回归讲解

前情提要：关于logistic regression，其实本来这章我是不想说的，但是刚看到岭回归了，我感觉还是有必要来说一下。 一:最小二乘法 最小二乘法的基本思想：基于均方误差最小化来进行模型求解的方法。在线性回归中，最小二乘法就是试图找到一条直线，使所有样本到直线上的欧氏距离之和最小。就是说让你现在追一个女生，你希望女生喜欢你是f(xi),而女生喜欢你的程度是yi,你是不是想让你们这两个值相差最少？我们的最小二乘法也是这个原理，

RNN循环神经网络学习——概述

　　循环神经网络（Recurrent Neural NetWork,RNN）是一种将节点定向连接成环的人工神经网络，其内部状态可以展示动态时序行为。 　　循环神经网络的主要用途是处理和预测序列数据。循环神经网络最初就是为了刻画一个序列当前的输出与之前信息的关系。从网络结构上来看，循环神经网络会记忆之前的信息，并利用之前的信息影响后面节点的输出。也就是说，循环神经网络的隐藏层之间的节点是有连接的，隐藏层的输入不仅包含输入层的

机器学习笔记：sklearn.model_selection.train_test_split切分训练、测试集

一、背景 接上所叙，在对比训练集、验证集、测试集之后，实战中需要对数据进行划分。 通常将原始数据按比例划分为：训练集、测试集。 可以利用 sklearn.model_selection.train_test_split 方法实现。 二、介绍 使用语法为： x_train, x_test, y_train, y_test = sklearn.model_selection.train_test_split( data,

目标检测——Fast RCNN原理

Fast-RCNN——Ross Girshick 文章目录 Fast-RCNN——Ross Girshick 简介 基本原理 基本结构 ROI POOLING 参数初始化 SVD（singular value decomposition） 分类和定位 training test time Multi-task Loss 简介 Fast-RCNN是 Ross Girshick继RCNN之后，在2015年推出的

目标检测-OHEM（online hard example mining）

OHEM：online hard example mining 论文地址：https://arxiv.org/abs/1604.03540难例挖掘是指,针对模型训练过程中导致损失值很大的一些样本(即使模型很大概率分类错误的样本),重新训练它们.维护一个错误分类样本池, 把每个batch训练数据中的出错率很大的样本放入该样本池中,当积累到一个batch以后,将这些样本放回网络重新训练.样本不平衡问题：https://blog.csd

深度学习中的Data Augmentation方法（转）基于keras

在深度学习中，当数据量不够大时候，常常采用下面4中方法： 1. 人工增加训练集的大小. 通过平移, 翻转, 加噪声等方法从已有数据中创造出一批"新"的数据.也就是Data Augmentation 2. Regularization. 数据量比较小会导致模型过拟合, 使得训练误差很小而测试误差特别大. 通过在Loss Function 后面加上正则项可以抑制过拟合的产生. 缺点是引入了一个需要手动调整的hyper-param

基于MATLAB静态目标分割的药板胶囊检测

一、目标      1 将药板从黑色背景中分离（药板部分显示为白色，背景显示为黑色）；      2 根据分割结果将药板旋转至水平；      3 提取药板中的药丸的位置信息； 二、方法描述       处理图像如下：       （1）首先将图像转为灰度图像，并做二值化处理，并采用闭运算将胶囊边缘平滑处理。得到图像如下所示：        （2）利用imfill填充命令将胶囊填充，得到下图：           分别从图像

深度学习（卷积神经网络）一些问题总结（转）

    涉及问题： 1.每个图如何卷积：   （1）一个图如何变成几个？   （2）卷积核如何选择？ 2.节点之间如何连接？ 3.S2-C3如何进行分配？ 4.16-120全连接如何连接？ 5.最后output输出什么形式？ ①各个层解释：    我们先要明确一点：每个层有多个Feature Map，每个Feature Map通过一种卷积滤波器提取输入的一种特征，然后每个Feature Map有多个神经元。    C1层是一个卷积

生成对抗网络GAN—生成mnist手写数字图像示例（附代码）

Ian J. Goodfellow等人于2014年在论文Generative Adversarial Nets中提出了一个通过对抗过程估计生成模型的新框架。框架中同时训练两个模型：一个生成模型（generative model）G，用来捕获数据分布；一个判别模型(discriminative model)D，用来估计样本来自于训练数据的概率。G的训练过程是将D错误的概率最大化。可以证明在任意函数G和D的空间中，存在唯一的解决

Python实现Keras搭建神经网络训练分类模型教程

下面是关于“Python实现Keras搭建神经网络训练分类模型教程”的完整攻略。 Python实现Keras搭建神经网络训练分类模型教程 在Python中，可以使用Keras搭建神经网络模型，并使用该模型进行分类任务的训练。下面是一个简单的教程，介绍如何使用Python实现Keras搭建神经网络训练分类模型。 使用方式 使用Python实现Keras搭建神经网络训练分类模型，用户需要按照以下步骤进行： 导入必要的库。在使用Python

zouxy09-图像卷积与滤波的一些知识点

原文地址 图像卷积与滤波的一些知识点 zouxy09@qq.com http://blog.csdn.net/zouxy09         之前在学习CNN的时候，有对卷积进行一些学习和整理，后来就烂尾了，现在稍微整理下，先放上来，以提醒和交流。 一、线性滤波与卷积的基本概念       线性滤波可以说是图像处理最基本的方法，它可以允许我们对图像进行处理，产生很多不同的效果。做法很简单。首先，我们有一个二维的滤波器矩阵（有个高大上

如何使用setTimeout实现倒计时

倒计时是网页开发中常用的一种技术，它可以用来显示在特定的时间内剩余的时间，比如做抢购时的倒计时，或者在活动结束前显示剩余的时间等等。setTimeout()是一个JavaScript函数，它可以用来实现倒计时功能。下面我们就来具体介绍一下如何使用setTimeout实现倒计时。 1. 定义倒计时变量 我们需要定义一个倒计时变量，来表示倒计时的时间，比如： var countDownTime = ; 2. 设置定时器 我们需要设置定时器，用来每隔一秒钟更新一次倒计时变量的值，比如：

如何使用axios二次封装实现前后端交互

Axios是一个基于Promise的HTTP客户端，它可以用在浏览器和node.js中。它提供了一种简单的方法来处理Ajax请求，使前端开发人员能够更轻松地实现前后端交互。本文将介绍如何使用axios二次封装实现前后端交互。 安装axios 我们需要安装axios，可以使用npm或者yarn进行安装： $ npm install axios $ yarn add axios axios二次封装 在安装完axios之后，我们可以对axios进行二次封装，以便更好地使用axios。下面是一个简

Axios二次封装的优秀实践

Axios是一个基于Promise的HTTP客户端，它可以用来发送Ajax请求。它可以帮助我们更加方便地处理HTTP请求，但是如果多个地方都需要使用Axios，那么就需要进行二次封装，这样可以提高代码的可读性和可维护性。下面我们就来看看如何进行Axios的二次封装。 1.定义一个Axios实例 我们需要定义一个Axios实例，这个实例用来发送HTTP请求。我们可以使用Axios.create()方法来创建一个Axios实例： const axiosInstance = axios.creat