笔记1. Python enumerate() 函数：enumerate() 函数用于将一个可遍历的数据对象(如列表、元组或字符串)组合为一个索引序列，同时列出数据和数据下标，一般用在 for 循环当中。enumerate(sequence, [start=0])：sequence – 一个序列、迭代器或其他支持迭代对象。start – 下标起始位置。返回 enumera

这里不再重复什么是CNN，参考了两篇博文，总结记录了在学习CNN过程中的几点疑惑。CNN做的就是下面3件事：1. 读取图片：把由一个个像素点组成的图片转换为计算机能读懂的0~255数字组成矩阵图。2. 提取特征：这是最关键的一步：此过程是由几个卷积核组成的卷积过程。这里需要解释下，在卷积的过程中，会不止一个过滤器（也叫卷积核），因为每个过滤器的参数不同，提取的特征也不同（而大小

二次规划问题是一种典型的优化问题，包括凸二次规划和非凸二次规划，在此类问题中，目标函数是变量的二次函数，约束条件是变量的线性不等式。假定变量的个数为dd，约束条件的个数为mm，则标准的二次规划问题形如：minxs.t.12xTQx+cTxAx⩽b\begin{matrix}\min_{x}&\frac{1}{2}x^TQx+c^Tx\\s.t.&Ax \leqslant b\e

首先介绍点基础知识，另一方面也算是巩固下：A−1A^{-1}表示A的逆矩阵;ATA^T表示A的转置;AHA^H表示Hermitian矩阵(A的共轭转置矩阵A∗==A)基础（1）迹（Trace）eig(A)表示A的特征值（2）行列式（Determinant）（3）特例2*2矩阵以上是摘自：The Matrix Cookbook也可参考维基百科：Matrix calculusL1范数的次

pandas库Series基础用法：直接贴出用例：1. 构造/初始化Series的3种方法：（1）用列表list构建Seriesimport pandas as pdmy_list=[7,'Beijing','19大',3.1415,-10000,'Happy']s=pd.Series(my_list)print(type(s))print(s)<class ...

关键词提取算法一般可分为有监督学习和无监督学习两类。有监督的关键词提取方法可以通过分类的方式进行，通过构建一个较为完善的词表，然后判断每个文档与词表中的每个词的匹配程度，以类似打标签的方式，达到关键词提取的效果。优点是可以获得较高的精度，缺点是需要大批量的标注数据，并且要对词表进行人工维护。无监督学习既不需要词表也不需要标注语料，也因此无监督的学习得到了大量的应用。TF-IDF（term f...

最近在机器学习实战中用到feedparser ，然后简单总结了一下：feedparser是python中最常用的RSS程序库，使用它我们可轻松地实现从任何 RSS 或 Atom 订阅源得到标题、链接和文章的条目。首先随便找了一段简化的rss：<?xml version="1.0" encoding="utf-8"?><feed xmlns="http://www.w3.org/2005/Atom"

Gram中文名称为格拉姆矩阵，它是个有广泛应用的矩阵。v1,v2,⋯,vnv_1,v_2,\cdots,v_n 是内积空间的一组向量，Gram矩阵定义为： Gij=⟨vi,vj⟩G_{ij}=⟨v_i,v_j⟩，显然其是对称矩阵。其实对于一个XN⋅dX_{N⋅d}（N 个样本，d 个属性）的样本矩阵而言，X⋅X'X⋅X′ 即为 Gram 矩阵；如果 v1,v2,⋯,vnv_1,v_2,\cdo

在PCA中涉及到了方差var和协方差cov，这里简单总结下。首先：均值，样本方差，样本协方差的公式为均值：X¯=1N∑Ni=1Xi\bar{X}=\frac{1}{N} \sum_{i=1}^{N}X_i样本方差：S=1N−1∑Ni=1(Xi−X¯)2S=\frac{1}{N-1} \sum_{i=1}^{N}(X_i-\bar{X})^2样本协方差：cov=1N−1∑Ni=1(Xi−X¯)(Y

numpy中matrix 和 array的区别Numpy matrices必须是2维的,但是 numpy arrays (ndarrays) 可以是多维的（1D，2D，3D····ND）. Matrix是Array的一个小的分支，包含于Array。所以matrix 拥有array的所有特性。