无题
建立:establish 。需注意模型一般为被建立
栅格化;点阵化:rasterize。一般用于描述将地图进行网格化
直观:intuitive。一般描述结果直观
分布:distribution of 。用于描述某种形式的分布
基于:based on 。一般用于描述建立模型,基于……
制定:draw up 。
受……启发:Inspired by。
对……补充:supplement to 。一般用于描述模型2是对模型1的一个补充
得到:obtain。一般用于代替get
处理:deal with。一般用于某个问题或事件
利用:utilize。一般用来代替use
解决:tackle。一般用于解决某个问题
合理:reasonable。一般用于描述某个方案合理
适应性:adaptability。一般用于描述模型具有较强的适应能力
时光流逝:as time goes by。
构造:construct。一般用于图的描述,构造有向图。
提出:propose。
指标,度量:metrics。可用于代替index
见解:insight。
无题
美赛B题——2102199摘要文章开头对问题背景做了简要描述,最后一句话描述建立了……模型,为了……。从而引出下文。
第二段简要描述了文章建立了哪些模型。
第三段对建模前的基础工作进行了简要说明。
接着采用每个模型1,2,3的方式分段介绍。
第七段说明了因为……原因,所以模型具有较强的适应性。
第八段说明了灵敏性分析与鲁棒性分析,从这两个方面证明了模型不敏感,应用广泛和稳定。
学习点:
该篇摘要中,由于结果数量较多,并没有展示结果,而是说明了结果在哪个表中或者哪一节中,需要注意的是需要具体说明是哪个表或哪一节。
前言该文章的前言中主要包含四个方面:问题背景,问题重述,文献回顾,我们的工作。
其中文献回顾主要对问题涉及的研究领域的主要文献进行了整理描述。并附上了该节的框架图。该节是否为优点(存疑)?
我们的工作主要对之后的工作进行了一个大概描述。在最后附上了工作的整体框架图(必要点)。
假设和解释该节对后续的模型建立做了相应的假设条件,并在每个假设后写了对应的解释。该点可以学习。
符号该节主要对文章的符号进行了说明。这里一般采用三线表,在表下面可附上一句话:“注意:这里没有列出一些变量, ...
ipynb转换py文件
前情提要:本博客仅针对在PyCharm中使用jupyter的重度用户。
由于我本身喜欢jupyter的这种独立运行结构,可以很好的进行代码的调试,互相并不影响。故初期我是使用jupyter notebook的,但jupyter notebook的代码提示说实话并不是很好,也不够流畅。故后面我转战了Pycharm,现在的感觉就是Pycharm真香。
在PyCharm中使用建立ipynb文件,使用体验还算不错。逐渐我也基本使用ipynb来代替py文件。但近期我也发现了一个问题,就是在实现一个稍大一点的项目文件时,需要将其封装为一个模块,来供之后的文件调用。而ipynb文件不能当作包来调用,故需先将其转换为py文件。
重点来了,起初我都是人工转换😂,每个cell全选幅值粘贴,但这样一旦ipynb文件的cell多了起来,就比较麻烦。于是下面将介绍如何利用PyCharm终端,实现对ipynb文件的转换。
PyCharm终端替换为Git Bash打开PyCharm,打开setting(设置)->tool(工具)->terminal(终端),如下图:
在Shell路径中,默认一般是C ...
初识GOLANG
语法基础定义变量go语言的变量使用var关键字,其需要定义变量的类型,采用如下格式:
123var a int32var pi float64var str string
已定义的变量可以使用“=”来赋值:
1234567var a int32var pi float64var str stringa = 32pi = 3.14str = "hello"
也可以定义变量类型时进行赋值:
1var a int32 = 50
也可以进行类型推导,并且支持对多个变量进行赋值
12var a = 100var b, c, d = 32, 3.34, "left"
var关键字也可以省略,如下:
1a, b, c := 3, 45, 9.1
但这样写的前提是,至少保证:=左侧的变量名有一个是在代码段中是第一次出现,否则会报错。:=的语句必须出现在函数内部,全局变量中不允许使用:=定义。
go语言中,变量一旦定义了就必须使用,否则编译器会认为存在错误。
定义常量常量和变量的区别就是常量一旦定义便不可以改变,其关键字为:const。
1234const pi ...
实用机器学习
这次课是李沐老师在斯坦福大学进行讲授的,华人之光了属于是。李沐老师在b站也进行了中文讲授。这篇博客是课堂的一些笔记,更新可能较慢,因为最近作业好多😢。
数据探索性分析采用pandas进行数据的读取,查看
若数据集每一列中, 有超过30%的数据是没有的,则将其丢弃。(data.drop())
查看数据类型是否正确,若不正确,将其类型进行转换。 (data.dtypes)
查看特征的某一些数学特性,例如:均值、标准差、最小值、最大值。(data,describe())
对不正常的数据进行过滤,例如某些数据过小或者过大。
查看特征的直方图,从而可以了解该特征的数据分布情况(sns.histplot())
数据清理types of error
Outliers
Rule violations
Pattern violations
论文插入高清位图
绘图软件在写作论文中,我们可能会经常遇到画示意图,来帮助更好的分析问题。但论文里插入的图片若不是高清图,会导致pdf放大后图片出现模糊的情况。一定程度上会影响论文的整体美观。
在过去,我主要使用过的绘图软件有:Edraw、PowerPoint、Visio与LaTeX自带的宏包TIKZ。
在这四种工具中,TIKZ是最复杂的,上手难度也比较高,画一些简单的示意图是比较好用的,但是画复杂的示意图就绘画者的要求就比较高了,需要很好的掌握TIKZ宏包以及其代码用法。
PowerPoint应该是四种里面比较容易掌握的,但由于其对单独生成图片并不友好,即另存为图片并不算是高清图片,一般我很少用它来单独生成图片。
我的主力工具主要有:Edraw与Visio,Edraw算是我用过绘图工具里比较强大的了,它的模板也非常丰富,配色也挺好看,也可以直接导出pdf、eps等形式,无奈的是以上都是会员才能享有的功能。于是最后我选择使用Visio。
Visio也是微软公司的,但它不会在赠送的Office家庭版里,需要进行单独购买,不过这个东西在淘宝上一搜很多激活码。
Visio绘图Visio的具体绘制这里不再赘述, ...
SVM模型推导
SVM理论知识拉格朗日对偶性Primal如果有如下优化问题:
\begin{split}
&min \quad f(w)\\
&s.t.\begin{cases}
g_i(w)\le 0\\
h_i(w)=0
\end{cases}
\end{split}我们可以相应的构造它的拉格朗日函数:
L(w,\alpha,\beta)=f(w)+\sum_{i=1}^k\alpha_ig_i(w)+\sum_{i=1}^l\beta_ih_i(w)定义
\theta_p(w)=max_{\alpha,\beta} \quad L(w,\alpha,\beta),\quad \alpha_i,\beta_i\ge0
注意$\theta_p(w)$是对$L(w,\alpha,\beta)中\alpha与\beta$的优化。
如果存在$w$使得其不满足约束条件,则$\theta_p(w)$的值即为$+\infty$(因为如果存在某个$g_i(w)>0或h_i(w)\neq0$,则令$\alpha_i\rightarrow\infty或\beta_i\rightarrow\infty $, ...
GAN理论知识
GAN网络结构GAN由两部分网络组成:生成网络与判别网络。
通俗的来讲,生成网络可以理解为一个画赝品的人,而判别网络可以理解为一个判别真假的人。两者不断对抗,通过训练,从而达到使生成网络画赝品越来越高超,甚至以假乱真。
下面我们来了解Generator与Discriminator。
GeneratorGenerator也即为一个网络,那么我们希望这个网络达到什么目标呢?
首先,假如有一些人脸图片,那么我们希望这个网络可以生产出非常逼真的人脸图片,即这些人脸是原先并不存在的。
如图所示,我们希望向Generator中input一个从正态分布sample出来的vector。然后会输出一个Distribution,即$P_G$。而$P_{data}$为真实的Distribution。我们的目标是:让$P_G$与$P_{data}$越接近越好。
假如现在输入一个一维向量,那么经过Generator可能会input出绿色的一维向量,而真实的一维向量是蓝色的。所以我们的目标函数即为$G^*$,即最小化$Div(P_G,P_{data})$。这个Divergence越小,就代表$P_G$与$P_ ...
MySQL(Linux)
MySQL安装通过apt安装MySQL服务
1234# 更新源sudo apt-get update# 安装sudo apt-get install mysql-server
安装完成后,进行初始化配置
1sudo mysql_secure_installation
配置项如下:
123456789101112131415161718192021222324252627282930#1VALIDATE PASSWORD PLUGIN can be used to test passwords...Press y|Y for Yes, any other key for No: N (选择N ,不会进行密码的强校验)#2Please set the password for root here...New password: (输入密码)Re-enter new password: (重复输入)#3By default, a MySQL installation has an anonymous user,allowing anyone to log into MySQL without ...
Linux学习笔记(ubuntu)
文件系统对于Linux来说,使用统一的目录树结构:
123456789101112131415161718/bin 二进制文件,系统常规命令/boot 系统启动分区,系统启动时读取的文件/dev 设备文件/etc 大多数配置文件/home 普通用户的家目录/lib 32位函数库/lib64 64位库/media 手动临时挂载点/mnt 手动临时挂载点/opt 第三方软件安装位置/proc 进程信息及硬件信息/root 临时设备的默认挂载点/sbin 系统管理命令/srv 数据/var 数据/sys 内核相关信息/tmp 临时文件/usr 用户相关设定
Linux下没有C:D:这种盘符的概念
在\home目录下存放着用户目录
超级用户root,其用户目录为/root
Linux命令行命令行含义123456示例:root@app00:~# root // ...