凸函数一直是一个头疼的事，并不是凸函数有多难，而是凸函数的定义一直是个模棱两可的概念，为了方便记忆，现在对凸函数及其相关定义进行总结。凸函数图像：                    由函数图像更加清晰地辨别凸函数的形状，然后对定义的认识才能更加的清晰。凸函数定义：      为函数f(x)定义域内的任意两个实数，且，恒有，则称f(x) 是定义域上的凸函数。凸函数的判定：f(

机器学习算法理论太过强大，既要知其然，又要知其所以然手撕代码的好处就是对原理深入的理解，不仅从理论层面，也在代码技巧上有所认识一个强大系统的实现就是一个个小系统的堆积，原理都是一样的，从小见大，流程都是相通的【手撕机器学习系列】KNN算法原理：（资源太多，这里不再赘述）手撕代码：import numpy as npimport mathfrom collections import Counter

介绍      使用Python进行数据分析，数据的可视化是数据分析结果最好的展示方式，这里从Analytic Vidhya中找到的相关数据，进行一系列图形的展示，从中得到更多的经验。      强烈推荐：Analytic VidhyaPython数据可视化库Matplotlib:其能够支持所有的2D作图和部分3D作图。能通过交互环境做出印刷质量的图像。Seaborn：基于Matplotli

图书馆数据预处理：      1、由于表的字段都是中文，为了后续处理的方便性，首先将表的字段全部重命名为英文。      2、对于索书号而言，图书的类型主要由索书号的首字母来决定，因此这里将对索书号进行字符串分割，只保留索书号的首字符。      3、分组获取不同学生借书数量的多少，便于对学生借书行为进行分析。字段重命名：df = pd.read_csv('data.

1、关联分析的基本概念关联分析（association analysis）：从大规模数据集中寻找物品间的隐含关系。项集（itemset）：包含0个或者多个项的集合称为项集。频繁项集：那些经常一起出现的物品集合支持度计数（support count）：一个项集出现的次数也就是整个交易数据集中包含该项集的事物数关联规则是形如A->B的表达式，规则A->B的度量包括支持度和置信度项集支持度：一个项集出现

Author：kevinelstriDateTime：2017/3/14From：机器之心Python 可以说是现在最流行的机器学习语言，而且你也能在网上找到大量的资源。你现在也在考虑从 Python 入门机器学习吗？本教程或许能帮你成功上手，从 0 到 1 掌握 Python 机器学习，至于后面再从 1 到 100 变成机器学习专家，就要看你自己的努力了。本教程原文分为两个部分，机器

由上述对图书借阅数量与借阅人数之间的直方图中，可以清晰地展示一年以来，读者借书数量的情况分布，那么在这个分布的情况下，读者借阅又有怎样的特点呢？      对于图书馆的读者而言，有的读者借阅频率高，对图书的利用也比较充分，具有大量的借书行为；而有的读者则很少出现在图书馆，或是仅仅借阅与专业相关的部分书籍。对不同读者的借阅需求进行聚类分析，分析读者的平均借阅情况。# -*-coding:utf-8

重温《机器学习实战》，对其中的经典算法重新学习，发现又是另一种感受；才发现自己以前并没有真正理解，在数据结构算法的理解基础上，再来看机器学习算法，发现有一种异曲同工之妙，这才有了《手撕机器学习系列》的想法，让我们一起走进算法，在理解中认识算法，而不是简单的调包。【手撕机器学习系列】kmeans算法原理：（资源太多，这里不再赘述）手撕代码：import mathimport random# 读取数据

图书馆数据预处理：      1、由于表的字段都是中文，为了后续处理的方便性，首先将表的字段全部重命名为英文。      2、对于索书号而言，图书的类型主要由索书号的首字母来决定，因此这里将对索书号进行字符串分割，只保留索书号的首字符。      3、分组获取不同学生借书数量的多少，便于对学生借书行为进行分析。字段重命名：df = pd.read_csv('data.

由上述对图书借阅数量与借阅人数之间的直方图中，可以清晰地展示一年以来，读者借书数量的情况分布，那么在这个分布的情况下，读者借阅又有怎样的特点呢？      对于图书馆的读者而言，有的读者借阅频率高，对图书的利用也比较充分，具有大量的借书行为；而有的读者则很少出现在图书馆，或是仅仅借阅与专业相关的部分书籍。对不同读者的借阅需求进行聚类分析，分析读者的平均借阅情况。# -*-coding:utf-8