原创 jupyter增加多版本python內核

由於python代碼有的需要在python2.7版本執行,有的需要在python3版本執行,所以需要安裝多個python環境。  前提:已經安裝了anaconda和python3(安裝步驟參考:https://blog.csd

原创 百度如何成爲小程序生態最大變量?

本文轉自:https://36kr.com/p/5203493,如侵刪。 中國小程序已成功實現從0到1的生態構建,即將迎來規模繁榮。 編者按:本文來自微信公衆號“羅超頻道”(ID:luochaotmt),作者羅超頻道,36氪經授權發佈。

原创 "邊緣計算"究竟是什麼?爲何潛力無限?

http://money.163.com/19/0306/18/E9JUCQ4G00259CV2.html 網易科技訊8月15日消息,知名創投調研機構CB Insights撰文詳述了邊緣計算的發展和應用前景。文章稱,雲計算已經不足以即時處

原创 微信即刻視頻下載器插件開發過程原理詳解

一、前言分析 微信在7.0版本發佈之後,我們可以看到有很大的改變,首先是UI上的變化,其次就是即刻視頻,因爲2018年是短視頻火爆的一年,有抖音的強悍吸粉,連微信也開始擔心社交地位以及用戶的時間被強佔,所以在各種屏蔽之後無果,開始嘗試

原创 策略模式與狀態模式

策略模式與狀態模式在實現上有共同之處,都是把不同的情形抽象爲統一的接口來實現,就放在一起進行記錄。2個模式的UML建模圖基本相似,區別在於狀態模式需要在子類實現與context相關的一個狀態行爲。   狀態模式的的思想是,狀態之間的切換,

原创 機器學習中的範數規則化之(二)核範數與規則項參數選擇

上一篇博文,我們聊到了L0,L1和L2範數,這篇我們絮叨絮叨下核範數和規則項參數選擇。知識有限,以下都是我一些淺顯的看法,如果理解存在錯誤,希望大家不吝指正。謝謝。   三、核範數        核範數||W||*是指矩陣奇異值的和,英

原创 Android三種姿勢帶你玩轉360度全景圖功能

原文鏈接http://blog.csdn.net/qingtiangg/article/details/77719606 簡介 最近微博上的全景圖火了,所以決定實現一下。  工程裏面圖片資源來自網絡,如有侵權請聯繫我,馬上刪除 

原创 Pipeline學習器流水線

sklearn提供了Pipeline將多個學習器組成流水線。通常,流水線的形式爲:將數據標準化的學習器-->特徵提取的學習器-->執行預測的學習器。除了最後一個學習器之外,之前的所有學習器必須提供tranform方法,該方法用於數據變換(

原创 Android Things and Machine Learning

原文介紹了機器學習 在物聯網中的應用,讀書的時候做過一個項目,是室內入侵物體檢測,有移動物體進入攝像頭後,會截取照片併發照片到手機報警,如果能配合上ML的應用,準確識別出入侵物體的類別,那真是看家護院的神器了。 Android

原创 機器學習中的範數規則化之(一)L0、L1與L2範數

 今天我們聊聊機器學習中出現的非常頻繁的問題:過擬合與規則化。我們先簡單的來理解下常用的L0、L1、L2和核範數規則化。最後聊下規則化項參數的選擇問題。這裏因爲篇幅比較龐大,爲了不嚇到大家,我將這個五個部分分成兩篇博文。知識有限,以下都是

原创 左手程序員,右手作家:你必須會的Jupyter Notebook

原文鏈接 在數據分析的道路上,你一定曾有過爲新發現而激動不已的時刻,此時你急於將自己的發現告訴大家,卻遇到了這樣的問題:如何將我的分析過程清晰地表述出來呢? 爲了能與同行們有效溝通,你需要重現整個分析過程,並將說明文字、代碼、圖表、

原创 開發者入門必讀:最值得看的十大機器學習公開課

[轉] http://www.leiphone.com/news/201701/0milWCyQO4ZbBvuW.html 導語:入門機器學習不知道從哪着手?看這篇就夠了。 在當下的機器學習熱潮,人才匱乏十分

原创 機器學習中文資源合集

本文轉自機器之心 機器學習日益廣爲人知,越來越多的計算機科學家和工程師投身其中。不幸的是,理論、算法、應用、論文、書籍、視頻等信息如此之多,很容易讓初學者迷失其中,不清楚如何才能提升技能。本文作者依據自身經驗給出了一套快速上手的可

原创 不熬夜,成了我們最難的自律

轉自黃生讀書會 每天只睡4小時,工作到70歲活到90歲,那是傳奇,不叫人生。 普通如我們,對自己最好的投資是晚上十點上牀,早晨六點起牀跑步。 晚睡的人往往不是因爲有很多工作要做,而是因爲對焦慮與孤獨無能爲力。

原创 超參數搜索之網格搜索與並行搜索

超參數搜索: 所謂的模型配置,一般統稱爲模型的超參數(Hyperparameters),比如KNN算法中的K值,SVM中不同的核函數(Kernal)等。多數情況下,超參數等選擇是無限的。在有限的時間內,除了可以驗證人工預設幾種超參數組合以