深度学习—从入门到放弃（三)多层感知器MLP1.MLP简介正式进入MLP之前，我们先来看看单个神经元组成的线性神经网络，由上图可知单个神经元的神经网络无法解决像XOR这样的非线性问题。这个时候MLP就出场了！多层感知机（MLP，Multilayer Perceptron）也叫人工神经网络（ANN，Artificial Neural Network），除了输入输出层，它中间可以有多个隐藏层，最简单的

data cleaning 基础笔记整理pandas中用于替换某一类字符df.replace('-',np.nan,inplace=True)pandas Dataframe提取方法#loc只能通过index和columns来取，不能用数字df.loc['one','a']#one行，a列df.loc['one':'two','a']#one到two行，a列df.loc['one':'two','

深度学习—从入门到放弃(一)pytorchTensor类似于numpy的array，pandas的dataframe；在pytorch里的数据结构是tensor，即张量tensor简单操作1.Flatten and reshape###Original z:tensor([[ 0,1],[ 2,3],[ 4,5],[ 6,7],[ 8,9],[10, 11]])Flattened

深度学习—从入门到放弃（八）使用CNN进行人脸识别问题重述假设我们需要进行面部识别系统的开发，我们的思路如下：有一个有K个人的人脸数据的数据集进行人脸识别时我们先有一个输入图像输出图像为输入图像在数据集里的分类标签针对整个思路我们又面临着如下的挑战：人的个数多但是数据集里每一个人对应的图像又很少，即数据量小，我们需要在给定较少输入图像的情况下进行人脸识别鉴于以上，我们不选择简单的分类器，而是选择C

深度学习—从入门到放弃（七）CNN进阶，迁移学习引入图像是高维的。即image_length* image_width*image_channels是一个很大的数字，而上一教程里所提到的CNN的权值共享便是一种解决图像和其他领域高维问题的方法。在CNN网络结构的演化上，出现过许多优秀的CNN网络，本文的目的就是带大家了解现代卷积神经网络的发展历程，本文主要关注以下四种网络：LeNet，AlexNe

python机器学习–线性回归线性回归是最简单的机器学习模型，其形式简单，易于实现，同时也是很多机器学习模型的基础。对于一个给定的训练集数据，线性回归的目的就是找到一个与这些数据最吻合的线性函数。针对线性回归算法在之前的数模案例也有涉及喔，欢迎去看看上一篇博客数学建模预测模型实例–大学生体测数据模型OLS线性回归Ordinary Least Squares 最小二乘法一般情况下，线性回归假设模型为

深度学习—从入门到放弃（三)多层感知器MLP1.MLP简介正式进入MLP之前，我们先来看看单个神经元组成的线性神经网络，由上图可知单个神经元的神经网络无法解决像XOR这样的非线性问题。这个时候MLP就出场了！多层感知机（MLP，Multilayer Perceptron）也叫人工神经网络（ANN，Artificial Neural Network），除了输入输出层，它中间可以有多个隐藏层，最简单的

深度学习—从入门到放弃（三)多层感知器MLP1.MLP简介正式进入MLP之前，我们先来看看单个神经元组成的线性神经网络，由上图可知单个神经元的神经网络无法解决像XOR这样的非线性问题。这个时候MLP就出场了！多层感知机（MLP，Multilayer Perceptron）也叫人工神经网络（ANN，Artificial Neural Network），除了输入输出层，它中间可以有多个隐藏层，最简单的

深度学习—从入门到放弃（七）CNN进阶，迁移学习引入图像是高维的。即image_length* image_width*image_channels是一个很大的数字，而上一教程里所提到的CNN的权值共享便是一种解决图像和其他领域高维问题的方法。在CNN网络结构的演化上，出现过许多优秀的CNN网络，本文的目的就是带大家了解现代卷积神经网络的发展历程，本文主要关注以下四种网络：LeNet，AlexNe

数学建模预测模型实例（四）—食堂菜品推荐系统数学建模预测模型实例（一）—大学生体测数据模型数学建模预测模型实例（二）—表白墙影响力量化模型python预测算法—线性回归数学建模预测模型实例（三）—双色球概率预测模型数学建模预测模型实例（四）—食堂菜品推荐系统前言看到这张海报大家有没有觉得很熟悉？为了解决佩奇每天下课吃什么这一世纪难题，佩奇和奇趣多多的各位团结一心开发出了一种全新的推荐算法！在发布的