python —— 装饰器1、装饰器简介2、简单装饰器3、带参数的装饰器3、类装饰器4、functools.wraps5、内置装饰器5.1 @classmethod5.2 @staticmethod5.3 @property6、属性的分类6.1 实例的属性6.2 类属性6.3 类属性1、装饰器简介1、函数也是一个对象，而且函数对象也可以被赋值给变量，所以通过变量也能调用该函数2、函数对象有一个__

数据挖掘 ——有监督学习（分类）1. KNN分类算法2. 决策树分类算法3. SVM算法简介4. 分类——集成算法4.1 随机森林参数介绍4.2 Adaboost算法参数介绍5 总结1. KNN分类算法预备知识：KD-Tree算法 (KDimensional Tree)在空间中寻找与目标点距离最近的k个点from sklearn.neighbors import NearestNeighborsn

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

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

爬虫篇——selenium（webdriver）进行用户登录并爬取数据摘要（一）创建browser对象（二）用户登录（三）数据爬取摘要本文主要介绍了如何通过selenium使用Chormedriver进行用户登录并爬取数据，使用过程中需注意合理使用selenium.webdriver.support.expected_conditions和selenium.webdriver.support.ui

强化学习（三）—— 策略学习（Policy-Based）及策略梯度（Policy Gradient）1. 策略学习2. 策略梯度3. 案例1. 策略学习Policy Network通过策略网络近似策略函数π(a∣st)≈π(a∣st;θ)π(a|s_t)≈π(a|s_t;\theta)π(a∣st​)≈π(a∣st​;θ)状态价值函数及其近似Vπ(st)=∑aπ(a∣st)Qπ(st,a)V_π(

强化学习——Target Network & Double DQN（解决高估问题，overestimate）1TD算法2. 高估问题2.1 Maximization2.1.1 数学解释2.1.2 动作价值函数的高估2.2 Bootstrapping2.3 高估是否有害3. 高估的解决方案3.1 Target Network3.1.1 Target Network的结构3.1.2 学习方式3

深度学习（神经网络） —— BP神经网络原理推导及python实现摘要（一）BP神经网络简介1、神经网络权值调整的一般形式为：2、BP神经网络中关于学习信号的求取方法：（二）BP神经网络原理推导1、变量说明2、BP算法推导（三）BP神经网络python实现1、模型所需传参介绍2、模型具有的主要方法和属性3、python代码4、代码运行结果摘要本文首先介绍了BP神经网络求取学习信号的方法，其次对BP

机器学习 聚类篇——python实现DBSCAN（基于密度的聚类方法）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，它不仅可以找出具有任何形状的簇，而且还可以用于检测离群值。其基本思想为数据点分布紧凑的应被划分为一类，而周围未分布有或仅有极少数点的

数据挖掘 ——模型评估1.分类模型评估（一）1.1 二分类模型1.2 多分类模型1.3 代码2.分类模型评估（二）2.1 ROC 与 AUC2.2 代码1.分类模型评估（一）1.1 二分类模型一般情况下更关注正类混淆矩阵：TP(TruePositive)：正确的正类FN(FalseNegative)：错误的负类FP(FalseNegative)：错误的正类TN(TrueNegative)：正确的负