-
7.1 K 近邻算法
7.1 K 近邻算法 1.1、什么是K近邻算法 1.2、近邻的距离度量表示法 1.3、K值的选择 7.1 K 近邻算法 1.1、什么是K近邻算法 何谓K近邻算法，即K-Nearest Neighbor algorithm，简称KNN算法，单从名字来猜想，可以简单粗暴的认为是：K个最近的邻居，当K=1时，算法便成了最近邻算法，即寻找最近的那个邻居... -
十三、树和森林
十三、树和森林 Adaboost 分类器 决策树分类器 决策树回归 特征的重要性 使用随机森林的特征选择 在随机森林中处理不平衡类别 随机森林分类器 随机森林分类器示例 数据的注解 随机森林回归 在随机森林中选择特征重要性 泰坦尼克比赛和随机森林 性别 年龄 可视化决策树 十三、树和森林 作者：Chris Albon 译... -
用字符级RNN分类名称
用字符级RNN分类名称 准备数据 将名字转化为张量 创建网络 训练 准备训练 训练网络 绘制结果 评估结果 在用户输入上运行 练习 用字符级RNN分类名称 译者：@孙永杰 作者 : Sean Robertson 我们将建立和训练一个基本的字符级RNN进行分类单词. 字符级别的RNN将单词读为一系列字符 - 在每个步骤输... -
7.1 K 近邻算法
7.1 K 近邻算法 1.1、什么是K近邻算法 1.2、近邻的距离度量表示法 1.3、K值的选择 7.1 K 近邻算法 1.1、什么是K近邻算法 何谓K近邻算法，即K-Nearest Neighbor algorithm，简称KNN算法，单从名字来猜想，可以简单粗暴的认为是：K个最近的邻居，当K=1时，算法便成了最近邻算法，即寻找最近的那个邻居... -
从数据冗余到数据一致性：数据库设计的权衡与优化
从数据冗余到数据一致性：数据库设计的权衡与优化 一、数据冗余：看似便捷的设计陷阱 1.1 数据冗余的典型场景 1.2 数据冗余的三重危害 二、规范化：消除冗余的设计利器 2.1 范式理论的实战应用 2.2 规范化的性能代价 三、反规范化：性能优先的妥协艺术 3.1 反规范化的适用场景 3.2 反规范化的实现策略 四、一致性保障：冗余与规范的... -
从零开始的 NLP：使用字符级 RNN 分类名称
从零开始的 NLP：使用字符级 RNN 分类名称 准备数据 将名称转换为张量 创建网络 训练 准备训练 训练网络 绘制结果 评估结果 在用户输入上运行 练习 从零开始的 NLP：使用字符级 RNN 分类名称 原文：https://pytorch.org/tutorials/intermediate/char_rnn_classif... -
加密类（新版）
加密类（新版） , 使用加密类 , 初始化类 , 默认行为 , 设置 encryption_key 参数 , 支持的加密算法和模式 , 可移植的算法（Portable ciphers） , 特定驱动的算法（Driver-specific ciphers） , 加密模式 , 消息长度 , 配置类库 , 对数据进行加密与... -
PyTorch深度学习
PyTorch深度学习 深度学习构建模块: Affine maps, non-linearities and objectives Affine Maps Non-Linearities(非线性) Softmax and Probabilities(Softmax和概率分布) Objective Functions(目标函数) Optimizati... -
从零开始的 NLP：使用字符级 RNN 生成名称
从零开始的 NLP：使用字符级 RNN 生成名称 准备数据 创建网络 训练 准备训练 训练网络 绘制损失图 网络采样 练习 从零开始的 NLP：使用字符级 RNN 生成名称 原文：https://pytorch.org/tutorials/intermediate/char_rnn_generation_tutorial.html ... -
Torch
Torch 张量 Tensors 创建操作 Creation Ops 索引,切片,连接,变异操作 torch.stack [source] torch.transpose torch.unbind torch.unsqueeze torch.manual_seed torch.initial_seed torch.get_rng_state...
