Tensorflow（三十二）——梯度爆炸解决方案解决方案import tensorflow as tffrom tensorflow import keras# solve gradient explodingwith tf.GradientTape() as tape:logits = model(x)loss = tf.losses.categorical_crossentropy(y,lo

机器学习 聚类篇——DBSCAN的参数选择及其应用于离群值检测摘要python实现代码计算实例摘要DBSCAN（Density-Based Spatial Clustering of Applications with Noise） 为一种基于密度的聚类算法，python实现代码eps：邻域半径（float）MinPts：密度阈值（int）.fit(X)：对待聚类的数据集进行聚类用法：指定邻域半径

Transformer网络是一种基于自注意力机制的神经网络，由Google于2017年提出，并被广泛应用于自然语言处理、语音识别、图像生成等领域。相对于传统的循环神经网络和卷积神经网络，Transformer网络具有更好的并行性和更高的计算效率，在处理长文本时表现更加出色。Transformer网络的核心思想是利用自注意力机制来实现序列建模。该模型的输入和输出都是序列，它可以将源序列和目标序列分别

机器学习 聚类篇——DBSCAN的参数选择及其应用于离群值检测摘要python实现代码计算实例摘要DBSCAN（Density-Based Spatial Clustering of Applications with Noise） 为一种基于密度的聚类算法，python实现代码eps：邻域半径（float）MinPts：密度阈值（int）.fit(X)：对待聚类的数据集进行聚类用法：指定邻域半径

机器学习 特征选择篇——python实现MIC（最大信息系数）计算摘要python实现代码计算实例摘要MIC（最大信息系数） 可以检测变量之间的非线性相关性，常用于特征工程中的特征选择，即通过计算各特征与因变量之间的MIC，从中挑选出对因变量影响较大的特征，剔除信息量较少的特征，从而使得用于建模的变量更具代表性。一般使用该方法时，需要有较大的数据样本。本文通过python实现了MIC（最大信息系数

python 异步编程——提升编程性能摘要1. 协程1.1 基本概念1.2 实现方法1.2.1 greenlet1.2.2 yield2. asyncio模块3. 案例1. DBSCAN算法原理1.1 基本概念定义1.2 算法流程2. 参数选择2.1 领域半径：Eps的选取方法（**k-distance函数**）2.2 MinPts的选取方法3. Python实现4. 检测离群值的实例4.1 导包

强化学习——蒙特卡洛树（Monte Carlo Tree Search, MCTS）1. 单一状态蒙特卡洛规划1.1 特点1.2 数学模型2. 上限置信区间策略3.蒙特卡洛树搜索1. 单一状态蒙特卡洛规划以 多臂赌博机（multi-armed bandits） 为例1.1 特点为序列决策问题，在利用（exploitation）和探索（exploration）之间保持平衡，利用为过去决策中的最佳汇报

可视化篇（五）——— python绘制热力图及案例摘要效果图python代码摘要本文演示了如何通过python绘制热力图，并给出了其应用于展示数据之间相关性的案例供读者参考。效果图python代码from matplotlib import font_managerimport matplotlibimport matplotlib.pyplot as pltimport numpy as npi

强化学习——经验回放（Experience Replay）1、DQN的缺点1.1 DQN1.2 DQN的不足1.2.1 经验浪费1.2.2 相关更新（correlated update）2 经验回放2.1 简介2.2 计算步骤2.3 经验回放的优点3. 改进的经验回放（Prioritized experience replay）3.1 基本思想3.2 重要性抽样（importance sampli

机器学习 聚类篇——DBSCAN的参数选择及其应用于离群值检测摘要python实现代码计算实例摘要DBSCAN（Density-Based Spatial Clustering of Applications with Noise） 为一种基于密度的聚类算法，python实现代码eps：邻域半径（float）MinPts：密度阈值（int）.fit(X)：对待聚类的数据集进行聚类用法：指定邻域半径