scope监控curl -L git.io/scope -o /usr/local/bin/scopecurl -L https://github.com/weaveworks/scope/releases/download/latest_release/scope -o /usr/local/bin/scope #下载chmod a+x /usr/local/bin/scope #添加权限lau

基本介绍：CNN里面最重要的构建单元就是卷积层。卷积层是局部连接，卷积是参数共享（一个卷积核去扫描整个图像）经过每层卷积层得到的结果我们叫做Feature map（特征图）。神经元在第一个卷积层不是连接输入图片的每个像素，知识链接他们感受野的像素，以此类推第二个卷积层的每一个神经元仅连接位于第一个卷积层的小方块的神经元。图像维介绍度：一个图像有三个维度（h,w,c）== (高，宽 ，通道)，那么，

对于单颗树，我们要计算特征j在单颗树中的重要度，就是计算特征j在单颗树中带来的收益之和。那对于集成学习，假设有T棵树，那么我们就每颗决策树中的每个特征重要程度加和除以T，就是每个特征的重要程度。那么决策树或者基于决策树的GBDT可以在训练完后，根据计算好的feature_importance去选择分值大和分值小的，从而进行合理降维。...

scope监控curl -L git.io/scope -o /usr/local/bin/scopecurl -L https://github.com/weaveworks/scope/releases/download/latest_release/scope -o /usr/local/bin/scope #下载chmod a+x /usr/local/bin/scope #添加权限lau

归一化的目的：每个维度可能对应的数量及不同，例如年龄和收入，我们线性回归公式在计算机看来X1和X2并没有数量级的不同，都是一样的数据，不理解其中的含义所以θ1X1 = θ2X2,那么X1远远小于X2的话，有公式看来，θ1就远远大于θ2。那么有图像就可以看出来θ1要优化的距离就远远大于θ2要优化的距离。产生矛盾：因为X1 << X2那么θ1要调整的距离就远远大于θ2要调整的距离，由公式得

jieba分词：按照字序列的一定顺序重新组合作用：帮助人更好的理解文字的意思jieba通常有三种用法：精确模式， 全模式， 搜索引擎模式import jieba# jieba.cutl如果不给参数，默认是精确模式content = "工信处女干事每月经过下属科室都要亲口交代24口交换机等技术性器件的安装工作"# jieba.cut(content, cut_all=False)# 返回一个生成器对

基本介绍：CNN里面最重要的构建单元就是卷积层。卷积层是局部连接，卷积是参数共享（一个卷积核去扫描整个图像）经过每层卷积层得到的结果我们叫做Feature map（特征图）。神经元在第一个卷积层不是连接输入图片的每个像素，知识链接他们感受野的像素，以此类推第二个卷积层的每一个神经元仅连接位于第一个卷积层的小方块的神经元。图像维介绍度：一个图像有三个维度（h,w,c）== (高，宽 ，通道)，那么，

1.特征工程直接影响模型预测结果。python用sklearn库做特征工程两种文本特征抽取方法（Count, tf-idf）（1）特征抽取API（统计单词次数）sklearn.feature_extractionpython调用sklearn.feature_extraction 的DictVectorizer实现字典特征抽取# 字典特征抽取def dictvec():# 特征数据是字符串的话不能

神经网络有监督的算法。神经网络算法既能做回归又能做分类。我们说人工智能做的就是拟人，神经网络就做的最佳的拟人。神经元神经网络是由很多神经元组成。神经元的每个输入是机器学习中的每个特征维度X，每个连接是权重W，将特征维度和权重相乘再相加汇总，经过一个非线性变换（函数变换）后的结果，就是一个神经元的输出。也是下层神经元的输入。也就是说对于一个神经元，有可能就是一个线性回归，也有可能就是一个逻辑回归，这

神经网络有监督的算法。神经网络算法既能做回归又能做分类。我们说人工智能做的就是拟人，神经网络就做的最佳的拟人。神经元神经网络是由很多神经元组成。神经元的每个输入是机器学习中的每个特征维度X，每个连接是权重W，将特征维度和权重相乘再相加汇总，经过一个非线性变换（函数变换）后的结果，就是一个神经元的输出。也是下层神经元的输入。也就是说对于一个神经元，有可能就是一个线性回归，也有可能就是一个逻辑回归，这