跳到主要內容

子風的知識庫

記錄任何學習過的知識

搜尋此網誌

文章列表

目前顯示的是 7月, 2017的文章

發表文章

[ML] 機器學習技法：第十一講 Gradient Boosted Decision Tree

Machine Learning

+

取得連結
Facebook
Twitter
Pinterest
以電子郵件傳送
其他應用程式

[Android] TWRP 還原後，登入密碼錯誤

+

取得連結
Facebook
Twitter
Pinterest
以電子郵件傳送
其他應用程式

[ML] 機器學習技法：第十講 Random Forest

Machine Learning

+

取得連結
Facebook
Twitter
Pinterest
以電子郵件傳送
其他應用程式

[ML] 機器學習技法：第九講 Decision Tree

Machine Learning

+

取得連結
Facebook
Twitter
Pinterest
以電子郵件傳送
其他應用程式

[ML] 機器學習技法：第八講 Adaptive Boosting

Machine Learning

+

取得連結
Facebook
Twitter
Pinterest
以電子郵件傳送
其他應用程式

[ML] 機器學習技法：第七講 Blending and Bagging

Machine Learning

+

取得連結
Facebook
Twitter
Pinterest
以電子郵件傳送
其他應用程式

綱要

2022 1
- 4月 2022 1

2021 3
- 6月 2021 2
- 4月 2021 1
2020 11
2019 32
2018 32
2017 107
2016 173

顯示更多顯示較少

標籤

經典 Python Machine Learning 理財 Circuit Tool Web Go JavaScript Linux

HTML Django R Git Math Raspberry Pi VBA Visual C++ AutoIt GnuCash SQL TD Ameritrade D3 GitHub IRS Perl Vim jQuery 健康太極拳定存美稅 Rust XMind

顯示更多顯示較少

熱門文章

[Python] Matplotlib 基本教學

程式語言：Python Package：matplotlib 官網官方圖廊功能：畫圖基本概念 Figure 最上層的物件包含 Axes 物件，甚至其他的元件 Axes 常用的畫圖物件，包含座標軸，像是直方圖、折線圖、圓餅圖等 Axis 座標軸物件若使用 plt.method，其實就是在呼叫當前的 axes 進行畫圖 matplotlib.pyplot.gcf() 得到當前的 figure matplotlib.pyplot.gca() 得到當前的 axes matplotlib.pyplot.sca(ax) 設定當前的 axes，並且會自動更正 figure 參數對應圖線圖 import numpy as np import matplotlib.pyplot as plt # 建立 x，從 -pi 到 pi，共 100 點，且需包含終點 pi x = np.linspace(-np.pi, np.pi, num=100, endpoint=True) c,s,t = np.cos(x), np.sin(x), np.tan(x) # 第一次呼叫 plt.plot 會自動建立合適的 figure # 之後若有使用到 plt.method 皆以此 figure 為主 # 可以使用 latex 語法，需用 $ ... $ 包住 plt.plot(x, c, label=r'cos$\theta$') # 之後呼叫 plt.plot 會使用先前建立的 figure # 畫出紅色向下三角形 plt.plot(x, s, 'rv', label=r'sin$\theta$') # 畫出綠虛線，並在各點位置標上綠線青圓點 plt.plot(x, t, color='g', linestyle='dashed', marker='o', markerfacecolor='c', markersize=5) # 以下為特調需求，不見得需要 # --------------------------------------------- # 用

[ML] 機器學習技法：第十四講 Radial Basis Function Network

ML：基礎技法學習 Package：scikit-learn 課程：機器學習技法簡介：第十四講 Radial Basis Function Network RBF Network Hypothesis $$ h(\mathbf{x})=\mathrm{Output}(\sum_{m=1}^{M}\beta _m\mathrm{RBF}(\mathbf{x},\boldsymbol\mu _m)+b)\\ $$ centers：\(\boldsymbol\mu _m\)，votes：\(\beta _m\) \(b\) 通常為 0 radial 只跟 \(\mathbf{x}\) 和中心點 \(\boldsymbol\mu_m\) 的距離有關 basis function 拿來做線性組合的基本 function 故 Radial Basis Function (RBF) Network 就是 radial hypotheses 的線性組合而 RBF Network 在歷史上其實只是 NNet 的其中一個分支如下圖，內積 + tanh (NNet) vs 與中心的距離 + RBF (RBF Network) $$ g_{SVM}(\mathbf{x})=sign\left (\sum _{SV} \alpha _ny_ne^{(-\gamma \left \| \mathbf{x}-\mathbf{x}_n \right \|^2)+b} \right ) $$ Gaussian kernel 為其中一種 Radial Basis Function (RBF) kernel 所以將 \(g_{SVM}\) 套進 RBF 基本模型，可參考 [ML] 機器學習技法：第三講 Kernel SVM RBF：Gaussian Output：sign M：SV 的數量 \(\boldsymbol\mu _m\)：SVM SVs \(\mathbf{x}_n\) \(\beta _m\)：\(\alpha _ny_n\) 事實上，機器學習一直在對相似性進行處理 \(Neuron(\mathbf{x}, {\mathbf{x}}') = tanh(\gamma \math

[Python] logging 教學

程式語言：Python Package：logging 官方文件功能：顯示不同層級的訊息以供 debug import logging # 基礎設定 logging.basicConfig(level=logging.DEBUG, format='%(asctime)s %(name)-12s %(levelname)-8s %(message)s', datefmt='%m-%d %H:%M', handlers = [logging.FileHandler('my.log', 'w', 'utf-8'),]) # 定義 handler 輸出 sys.stderr console = logging.StreamHandler() console.setLevel(logging.INFO) # 設定輸出格式 formatter = logging.Formatter('%(name)-12s: %(levelname)-8s %(message)s') # handler 設定輸出格式 console.setFormatter(formatter) # 加入 hander 到 root logger logging.getLogger('').addHandler(console) # root 輸出 logging.info('道可道非常道') # 定義另兩個 logger logger1 = logging.getLogger('myapp.area1') logger2 = logging.getLogger('myapp.area2') logger1.debug('天高地遠') logger1.info('天龍地虎') logger2.warning('天發殺機') logger2.error('地動天搖') 終端結果 root : INFO 道可道非常道 m

[Math] 矩陣微分

數學知識：矩陣微分線代啟示錄 Wiki Matrix calculus 簡介：矩陣微分定義與基本性質定義：scalar by vector 的導數假設 \(f\) 為 function，且擁有 \(p\) 個獨立變數 \(x_1,x_2,\cdots,x_p\) 令 \(\mathbf{x} = [x_1,x_2,\cdots,x_p]^{T} \) \(\frac{\partial f}{\partial \mathbf{x}} = \left [\frac{\partial f}{\partial x_1},\frac{\partial f}{\partial x_2},\cdots,\frac{\partial f}{\partial x_p}\right ]^T\) 定理(1)：\(\frac{\partial \mathbf{x}^T\mathbf{x}}{\partial \mathbf{x}}=2\mathbf{x}\) \(Proof:\) $$ \begin{align*} \frac{\partial \mathbf{x}^T\mathbf{x}}{\partial \mathbf{x}}&=[\frac{\partial \mathbf{x}^T\mathbf{x}}{\partial x_1},\frac{\partial \mathbf{x}^T\mathbf{x}}{\partial x_1},\frac{\partial \mathbf{x}^T\mathbf{x}}{\partial x_p}]^T \\&=[\frac{\partial \sum_{i=1}^{n}x_i^2}{\partial x_1},\frac{\partial \sum_{i=1}^{n}x_i^2}{\partial x_2},\cdots,\frac{\partial \sum_{i=1}^{n}x_i^2}{\partial x_p}]^T \\ &=[2x_1,2x_2,\cdots,2x_p]^T \\ &=2[x_1,x_2,\cdots,x_p]^T \\ &=2\mathbf{x} \end{align*}$$

[Python] 正規表示法 Regular Expression

程式語言：Python Package：re re 官方文件 debug online： Debuggex regex101 功能：處理匹配字串 import re re.search(pattern, string)

子風

檢舉濫用情形

技術提供：Blogger