记录下 Vim 的各种奇淫巧技,备查。
vscode 奇淫巧技
记录下 vscode 的各种奇淫巧技,备查。
快捷键
大多数快捷键都是可以自定义配置的,如无说明均为 vscode 默认的快捷键。
在代码编辑窗口和下方 terminal 之间的切换: ⌘ + `
在 TensorFlow 打卡人生第一次 PR
先放上截图,庆祝本渣渣第一次为开源项目贡献自己的代码,撒花撒花 🍾🎊🍻🎉🎉🎉,嗯,竟然还是大名鼎鼎的 TensorFlow,虽然我只是做了些微不足道的贡献,但还是难掩心中的喜悦。
决策树系列0:你需要一棵决策树
关于决策树
决策树是非常流行的一种机器学习算法,基于决策树的集成算法随机森林更是位于机器学习 Top10 的算法之一。决策树之所以备受推崇,很大一个原因是其实现的过程与人类思考问题的方式非常接近,即使没有任何机器学习基础的人也可以看懂决策树做出判断的过程:
我所理解的SVM(支持向量机)2——核函数的应用
这是 SVM 系列的第二篇,上一篇文章介绍了 SVM 的主要思想以及推导过程,这一篇将会在此基础上介绍核函数(kernel),这也是 SVM 最为重要的部分之一。
从线性回归说起
机器学习要解决的问题,可以分为回归(Regression)和分类(Classification)两种类型,为了解决这些问题,数据科学领域的专家们研究出了很多算法,线性回归很可能是其中最简单的一种,而工作、生活中许多简单问题往往用不上多么复杂的模型,让我们从最简单的线性回归说起。
我所理解的 SVM(支持向量机)- 1
众所周知 SVM 是非常强大的一种分类算法,有着媲美神经网络的分类效果,实现过程却简单得多。这篇文章不会系统地介绍 SVM(因为我并不是线性代数、凸优化等方面的专家),而是以一个学习者的角度描述 SVM 产生的过程,由于内容较长,将会分成三篇文章。
Think Bayes
Think Bayes
贝叶斯定理是统计学中非常重要的一个定理,以贝叶斯定理为基础的统计学派在统计学世界里占据着重要的地位,和概率学派从事件的随机性出发不同,贝叶斯统计学更多地是从观察者的角度出发,事件的随机性不过是观察者掌握信息不完备所造成的,观察者所掌握的信息多寡将影响观察者对于事件的认知。
似然与极大似然估计
Likelihood & Maximum likelihood
似然与概率
在统计学中,似然函数(likelihood function,通常简写为likelihood,似然)是一个非常重要的内容,在非正式场合似然和概率(Probability)几乎是一对同义词,但是在统计学中似然和概率却是两个不同的概念。概率是在特定环境下某件事情发生的可能性,也就是结果没有产生之前依据环境所对应的参数来预测某件事情发生的可能性,比如抛硬币,抛之前我们不知道最后是哪一面朝上,但是根据硬币的性质我们可以推测任何一面朝上的可能性均为50%,这个概率只有在抛硬币之前才是有意义的,抛完硬币后的结果便是确定的;而似然刚好相反,是在确定的结果下去推测产生这个结果的可能环境(参数),还是抛硬币的例子,假设我们随机抛掷一枚硬币1,000次,结果500次人头朝上,500次数字朝上(实际情况一般不会这么理想,这里只是举个例子),我们很容易判断这是一枚标准的硬币,两面朝上的概率均为50%,这个过程就是我们运用出现的结果来判断这个事情本身的性质(参数),也就是似然。
BeautifulSoup 实战(二):获取文章详细信息
上一篇的笔记中我们学习了如何通过 BeautifulSoup 获取简书作者的基本信息,这篇将按照同样的思路,用BeautifulSoup获取作者文章的信息(阅读次数、评论数、喜欢数和打赏次数)。