原创 【數據分析】圖解python數據分析常用庫的關係

圖解python數據分析常用庫的關係 numpy:核心數據組織 ndarray,常用統計函數 pandas:數據二維報表風格管理,index,columns, value scipy:常用科學計算庫:傅里葉變化,優化算法等 matplot

原创 【ES】ElasticSearch 基礎

ES (ElasticSearch) 基礎入門01 資料 在線手冊 工具組合ES(檢索後臺)+ kibana(交互前端) 部署 參考官網部署 啓動 啓動ES ./bin/elasticsearch #瀏覽器訪問 IP:920

原创 【ubuntu】xps8920 安裝 ubuntu 16.04系統

Ubuntu16.04 (x64) 接口圖   方法1 Legacy - 失敗 系統類型 16.06_x64 U盤類型 3.0 快捷鍵 F2:Setup    F12:Boot SATA Operation

原创 【cuda】gtx1080 顯卡 cuda9.0 cuDNN7.1 tensorflow 安裝教程

背景 機器:dell xps8920 系統:Ubuntu16.04(amd64) 顯卡:gtx1080 python版本:python3.6 安裝CUDA9.0 舊版本清理 sudo apt-get remove cuda  sudo a

原创 【numpy】ndarray 多維數組的維數和軸號分析總結

numpy中ndarray定義了多維數組,但是維數和軸號(axis)特別容易混淆,因此作了以下分析總結。 維數的判斷(2種方法) 1、數左方括號“ [ ”的個數,如下圖就是4維數組(有四個左括號,是4維) 2、查看shape屬性的輸出元組

原创 【SWIG】C程序到python模塊的swig轉換流程

C程序到python模塊的swig轉換流程 程序參考:http://www.swig.org/Doc3.0/SWIGDocumentation.html#Introduction_nn4 1、編輯待轉C程序 example.c /* F

原创 【matplotlib】matplotlib.pyplot繪圖基礎結構分析

matplotlib.pyplot 繪圖基礎結構分析 官方文檔 II matplotlib基礎 可實現基礎配置,下例是後端配置,主要是渲染方案相關 matplotlib.use(backend, warn=False, force=Tr

原创 【機器學習】 特徵值分解、奇異值分解與PCA的原理

1、PCA的原理 設n維隨機變量X, 其對應的協方差矩陣是C 基於正交矩陣P,對隨機變量X做正交變換,得到變量Y,對應協方差矩陣爲R,如下所示。 C是X的協方差矩陣,R是Y的協方差矩陣,二者都是一個對稱矩陣 協方差矩陣的對角線以

原创 【數學】期望、方差、協方差、協方差矩陣

期望、方差、協方差、協方差矩陣 1 期望(數學期望、均值) 在概率論和統計學中,數學期望(mean)(或均值,亦簡稱期望)是試驗中每次可能結果的概率乘以其結果的總和,是最基本的數學特徵之一。它反映隨機變量平均取值的大小。 需要注意的是,期

原创 【docker】Docker入門到實踐 筆記

Docker入門到實踐 筆記 基本概念 鏡像(Image) 容器(Container) 倉庫(Repository) 鏡像 特殊的文件系統 不包含任何動態的數據 採用Union FS技術,設計分層架構 容器 鏡像和容器就像“類”和“實例”

原创 【自動駕駛】運動控制自行車模型運動規律圖解

自行車模型運動規律圖解 參數說明: 前輪中心f 後輪中心r 後輪中心速度v 前後輪軸距爲L 車身橫擺角(朝向)θ 前輪轉向角α 轉向中心O 後輪轉向半徑R 模擬方式: 1、車輛沿車身方向行走一個非常小的距離 2、即以後輪中心r爲原點,以半

原创 【算法】圖解A* 搜索算法

A* 算法是啓發式搜索算法,是根據Dijkstra算法改進而來。 問題引入 如下圖所示,S爲起始(start)節點,G爲目標(goal)節點。 節點之間連線是兩點的路徑長度,如A到E的路徑長度c(A,E) = 9。 節點旁的h值時當前節點

原创 【matplotlib】 圖解pyplot figure、subplot、axes、axis的區別

圖解matplotlib.pyplot figure、subplot、axes、axis的區別 基本概念 用matplotlib.pyplot繪圖需要知道以下幾個概念: 畫圖板/畫布:這是一個基礎載體,類似實際的畫圖板,用pyplot.f

原创 【強化學習】深度強化學習:DQN(深度Q學習)、經驗回放、固定Q目標迭代流程。

以下是深度強化學習:深度Q網絡DQN的迭代流程、其中增加了經驗回放、固定Q目標等處理技巧。 流程的關鍵點是: 1、該流程是一個橫向展開流程,從左向右是時間軸上的逐步迭代。 2、流程中動作值函數的逼近方法使用的是神經網絡模型(圖中含NET的

原创 【強化學習】強化學習:時間差分學習算法、SARSAmax算法、Q學習算法與神經網絡模型結合迭代流程

以下是強化學習-時間差分學習算法、SARSAmax算法、Q學習算法與神經網絡模型相結合的迭代流程圖(深度Q學習) 流程的關鍵點是: 1、流程中動作值函數的逼近方法使用的是神經網絡模型(圖中含NET的步驟,具體根據需要設計)。 2、流程中需