数据压缩在存储数据和使用数据的时候，过多的数据会造成空间上的占用和时间上的消耗。如果我们能够将数据压缩的更少一点，即可使用更少的空间和时间进行训练模型。例1：从2维到1维。当2维的点均匀的分布在某一条直线附近，即可使用该直线所在的1维值来表示之前的2维的值。当二维变量能够通过一条线表示出来的时候，我们就可以用一个变量来表示该二维变量了,即：x(i)∈R2−>z(i)∈Rx(i)表示第i个样本

本文不涉及细节理论，只做必要性的介绍，侧重代码实现。线性模型-多分类问题的理论分析只有二分类是完全不够用的，因此需要其他的算法来解决多分类问题。例如识别数字0-9有10种情况。多分类问题模型是从二分类延申出来的。类比二分类即可学习。1.确定拟合函数h(x)从单样本开始对于一组样本{x,y=j}j∈[1,k]来说。对于x的预测结果可能有多个，如何确定最终的结果呢？判断概率P(y=j∣θ,x)，那个概

本文不涉及细节理论，只做必要性的介绍，侧重代码实现。线性模型-多分类问题的理论分析只有二分类是完全不够用的，因此需要其他的算法来解决多分类问题。例如识别数字0-9有10种情况。多分类问题模型是从二分类延申出来的。类比二分类即可学习。1.确定拟合函数h(x)从单样本开始对于一组样本{x,y=j}j∈[1,k]来说。对于x的预测结果可能有多个，如何确定最终的结果呢？判断概率P(y=j∣θ,x)，那个概

本博客的理论细节在这里：机器学习入门-分类问题的拟合本博客侧重于实现，细节理论不再过多赘述，只简单介绍。逻辑回归理论分析逻辑回归就是一个二分类问题的分类算法，其根据得出的回归函数可以分为线性逻辑回归和非线性逻辑回归。1.确定拟合函数h(x)要拟合的函数有两个，分别是线性逻辑回归函数和非线性逻辑回归函数线性逻辑回归对于超平面来说，线性回归的模型是h(x)=kx+b这个k，x，b都可以是多维的，只需要

分类问题-梯度下降其实对于分类问题的本质还是选择合适的函数h(x)，通过改变函数的系数Θ使其代价cost(i)之和J(Θ)最小.逻辑回归回归函数选择对于01分类问题，由于正常的线性回归方程的局限性，采用非线性模型模型函数：hθ(x)=g(θTx)θTx可以表示为多项式如：θ0+θ1x1+θ2x2+θ3x12x2+...其中g(z)=11+e−z所以hθ(x)=11+e−θTx模型函数：h_{\th

本博客的理论细节在这里：机器学习入门-分类问题的拟合本博客侧重于实现，细节理论不再过多赘述，只简单介绍。逻辑回归理论分析逻辑回归就是一个二分类问题的分类算法，其根据得出的回归函数可以分为线性逻辑回归和非线性逻辑回归。1.确定拟合函数h(x)要拟合的函数有两个，分别是线性逻辑回归函数和非线性逻辑回归函数线性逻辑回归对于超平面来说，线性回归的模型是h(x)=kx+b这个k，x，b都可以是多维的，只需要

本文不涉及细节理论，只做必要性的介绍，侧重代码实现。线性模型-多分类问题的理论分析只有二分类是完全不够用的，因此需要其他的算法来解决多分类问题。例如识别数字0-9有10种情况。多分类问题模型是从二分类延申出来的。类比二分类即可学习。1.确定拟合函数h(x)从单样本开始对于一组样本{x,y=j}j∈[1,k]来说。对于x的预测结果可能有多个，如何确定最终的结果呢？判断概率P(y=j∣θ,x)，那个概

组里面分配了台gpu服务器，让我负责管理，需要先配置一些深度学习环境，记录一下。一些linux服务器常用命令：https://blog.csdn.net/qq_51570094/article/details/123949910。

最近在做网络有关的工作，空闲时整理了一下常见的文件共享服务使用，参考了不少文章。其实归根结底，操作都是类似的。分为服务端和客户端，其中在服务端进行主要配置，客户端直接进行挂载或者访问。

vscode下载安装这些就略过了，从插件安装和配置文件开始介绍参考文章：https://zhuanlan.zhihu.com/p/112125338上面这个整体写的不错，不过一些细节部分个人觉的存在一些问题，也比较容易出错，下面写一个更清晰的。