文章目录缺失值的识别与处理查看原始数据分析缺失值的模式及机制缺失数据模式缺失数据机制分析当前数据处理缺失值插补值的评价总的代码参考第一次作业缺失值的识别与处理总的思路：查看数据，进行分析-> 有缺失值，则我们分析为什么有缺失值->分析缺失值的类型->如何处理这个缺失值，有哪些方法，如何选取这些方法->对插补之后的缺失值进行评价，即看插补的好不好查看原始数据有3个变量（列），

1、卷积2、CNN基本原理3、经典CNN4、CNN主要应用参考：感觉课程讲述的很清楚，在记录基本笔记的情况下，记录一下从网上其它地方写的介绍。力求笔记尽可能简单移动，且简洁。关于为什么要从全连接网络转到CNN这种权值共享的网络，主要有以下几点：全连接网络，参数多，CNN网络的权值共享策略能够减少参数的数量其次，全连接网络，不能够识别一些边缘信息，CNN网络能够通过对原始图片数据取padding来检

有得时候在一个session中对话久了，模型会变笨记不住指令的情况，这个时候需要/compact对话，或者重开一个对话去完成任务，为了方便去查看什么时候需要重开或者/compact，当前有statusLine的功能，可以展示当前session下模型的使用情况，方便我们进行调整。

数据理解与准备数据理解主要是理解数据，包括分析抽样偏差，数据粒度，数据得精确含义，变量类型，冗余变量，完整性，缺省值，数据链接。这里主要先查看数据，处理冗余变量，进行缺失值的分析等。获取并查看数据：首先读取bankloan.csv文件中的数据为数据框bankLoan，并且使用R语言中的summary(bankLoan)初步查看数据的位置分布特征。library(dplyr)library(purr

文章目录数据探索与数据预处理数据理解清除变量分类型自变量处理时间变量异常值极值数据分箱缺失数据降维过抽样与欠抽样参考黑体字为预处理相关的模型，即在使用这些模型时，需要关注到这些预处理数据探索与数据预处理数据理解抽样偏差数据粒度个人认为，数据粒度可以用于分箱数据的精确含义变量类型：名义变量、类别变量、属性变量定序变量定距变量定比变量冗余变量变量重复（多个变量之间的取值相同）某一个变量/多个变量可以由

cursor经常在关闭之后再次打开就被更新了，更新就要下载新的server，国内的server下载的一直很慢，短则半小时，长则2小时，时间就这么过去了。我找了一下SSH的日志，终于知道cursor在等待的过程中在下载什么，知道之后就找到对应的下载链接，本地下载之后上传到服务器中，并且解压到指定的文件夹。下次再打开cursor去SSH连接远程服务器，找到对应的文件夹，文件夹有内容就不会再重新下载了。

有得时候在一个session中对话久了，模型会变笨记不住指令的情况，这个时候需要/compact对话，或者重开一个对话去完成任务，为了方便去查看什么时候需要重开或者/compact，当前有statusLine的功能，可以展示当前session下模型的使用情况，方便我们进行调整。

有得时候在一个session中对话久了，模型会变笨记不住指令的情况，这个时候需要/compact对话，或者重开一个对话去完成任务，为了方便去查看什么时候需要重开或者/compact，当前有statusLine的功能，可以展示当前session下模型的使用情况，方便我们进行调整。

文章目录数据探索与数据预处理数据理解清除变量分类型自变量处理时间变量异常值极值数据分箱缺失数据降维过抽样与欠抽样参考黑体字为预处理相关的模型，即在使用这些模型时，需要关注到这些预处理数据探索与数据预处理数据理解抽样偏差数据粒度个人认为，数据粒度可以用于分箱数据的精确含义变量类型：名义变量、类别变量、属性变量定序变量定距变量定比变量冗余变量变量重复（多个变量之间的取值相同）某一个变量/多个变量可以由

数据理解与准备数据理解主要是理解数据，包括分析抽样偏差，数据粒度，数据得精确含义，变量类型，冗余变量，完整性，缺省值，数据链接。这里主要先查看数据，处理冗余变量，进行缺失值的分析等。获取并查看数据：首先读取bankloan.csv文件中的数据为数据框bankLoan，并且使用R语言中的summary(bankLoan)初步查看数据的位置分布特征。library(dplyr)library(purr