• Kaggle
• 数据挖掘
• 人脸识别相关
• 深度学习与神经网络-吴恩达
• 机器学习实战系列
• 机器学习相关库
  阅读全文 »

计算机组成与结构

计算机中数据的表示

数值数据的表示

• 定点数：所有数据的小数点位置是固定的，小数点位置在数据最高位是定点小数，在最低位是定点整数，会有溢出的情况发生
• 浮点数：阶符，阶码，数符，尾数 组成， 尾数决定精度，阶码决定数据范围，最适合浮点数阶码的数字编码是移码

数的机器码表示

• 原码：符号位表示该数的符号，0正1负 。原码中分+0和-0
• 反码：符号位表示法和原码一样，正数不变，负数要取反（除掉符号位）
• 补码：正数和原码相同，负数=反码加一，最适合加减运算的数字编码
• 移码：在数X上增加一个偏移量来定义的，常用于表示浮点数的阶码部分，如果机器字长n，规定偏移量是2的n-1次方，
• 移码定义: $$[X]_移 = 2^n+X \quad ( -2^n<=X< 2^{n-1})$$

步骤

1. 获取数据
2. 探究数据（可视化+清洗）
3. 设计并转换特征和目标变量
4. 建立一个模型
5. 制作并提交预测

获取数据

探究数据

查看目标函数与理解相关业务

1
2
3
4
5
6

plt.figure()
plt.subplot(1,2,1)
plt.hist(train.SalePrice, color='blue')
plt.subplot(1,2,2)
plt.hist(target, color='blue')
plt.show()  # 展示

配置

• python3
• Tensorflow
• opencv2

步骤

1. 获取并显示摄像头实时视频&读取本地视频
2. 从实时视频流中识别出人脸区域
3. 准备人脸数据
4. 建立CNN（卷积神经网络）模型
5. 利用keras库训练人脸识别模型
6. 利用训练数据进行识别人脸
   阅读全文 »

梯度下降法

批梯度下降法（BGD）

批梯度下降法（Batch Gradient Descent，BGD是最常用的梯度下降形式，前面的Logistic回归及深层神经网络的构建中所用到的梯度下降都是这种形式。其在更新参数时使用所有的样本来进行更新，具体过程为：

公式

\[{X = [x^{(1)},x^{(2)},…,x^{(m)}]}\] \[z^{[1]} = w^{[1]}X + b^{[1]}\] \[a^{[1]} = g^{[1]}(z^{[1]})\] \[… \ …\]

Tensorflow

基本流程

步骤

• 创建尚未执行/评估的张量（变量）
• 在这些张量之间写入操作
• 初始化你的张量
• 创建一个会话
• 运行会话。这将运行你上面写的操作 eg：初始化你的变量，创建一个会话并在会话中运行这些操作

例子

1
2
3
4
5
6
7
8
9
10

# 初始化变量
a = tf.constant(2)
b = tf.constant(10)
c = tf.multiply(a,b)
print(c)
-->Tensor("Mul_1:0", shape=(), dtype=int32)
# 运行会话
sess = tf.Session()
print(sess.run(c))
-->20

权重初始化

作用

• 随机初始化以破坏对称性
• 加快渐变下降的收敛速度
• 增加梯度下降收敛到较低训练（和泛化）错误的几率

参数都初始化为零

• 导致网络无法破坏对称性：这意味着每一层中的每个神经元都会学到相同的值。对于每一层而言，网络并不比线性分类器更强大，如逻辑回归。
  阅读全文 »

一、读取文章数据

pandas读取mysql数据到DataFrame中

1
2
3
4
5
6
7
8
9
10
11

import pandas as pd
from sqlalchemy import create_engine

db_info = {'user':'root',
          'password':'',
           'host':'localhost',
           'database':'article_spider'
          }
engine = create_engine('mysql://%(user)s:%(password)s@%(host)s/%(database)s?charset=utf8' % db_info,encoding='utf-8')
sql = 'select * from jobbole_article;'
df = pd.read_sql(sql , con = engine)

基本使用

基本格式

1
2
3
4
5
6
7
8
9

import matplotlib.pyplot as plt
import numpy as np

x = np.linspace(-1, 1, 50)
y = 2*x + 1

plt.figure(num=3, figsize=(8, 5),)
plt.plot(x, y)
plt.show()

• np.linspace：定义x：范围是(-1,1);个数是50. 仿真一维数据组(x ,y)表示曲线1.
• plt.figure：定义一个图像窗口，小窗口里面还可以有更多的小图片。这里定义一个图像窗口：编号为3；大小为(8, 5)
• plt.plot：画(x ,y)曲线.

• plt.show：显示图像.

  阅读全文 »

多图合一显示

Subplot 多合一显示

均匀图中图

1
2
3
4
5
6
7
8
9
10
11

import matplotlib.pyplot as plt

plt.figure()

plt.subplot(1,2,1)
plt.plot([0,1],[0,1])

plt.subplot(1,2,2)
plt.plot([0,1],[0,2])

plt.show()  # 展示

• plt.figure：定义一个图像窗口，小窗口里面还可以有更多的小图片。
• plt.subplo(x, y, n)：表示将整个图像窗口分为x行y列,当前位置为n 可简写为plt.subplo(xyn)
• plt.plot：画(x ,y)曲线.