原创 docker修改容器映射port

docker啓動一個容器後,想更換映射端口,或者添加新的端口,如果不想重啓一個新的容器,可以嘗試在原有容器配置中修改關於端口映射的信息,步驟如下: 1. docker stop [container_id] 2. systemctl st

原创 百面機器學習(4)——降維

目錄 PCA最大方差理論 PCA最小平方誤差理論 線性判別分析(LDA) PCA最大方差理論 1. 如何定義主成分?從這種定義出發,如何設計目標函數使得降維達到提取主成分的目的?針對這個目標函數,如何對PCA問題進行求解?(2) 最大化投

原创 通俗理解機器學習相關知識點——資源彙總

  最小二乘法 最小二乘法(又稱最小平方法)是一種數學優化技術。它通過最小化誤差的平方和尋找數據的最佳函數匹配。最小二乘法是用來做函數擬合或者求函數極值的方法。 當做函數擬合時,比如給定一系列觀測值Xi和f(Xi),求函數 f(x)=a

原创 docker-compose --version報錯:AttributeError: ‘module’ object has no attribute ‘unique’

根據官網指導安裝docker-compose,結果測試docker-compose --version報錯如下,根據提示可知是enum的問題。因爲電腦同時安裝了具有相同命名空間的enum和enum34,所以導致調用衝突。 root@k8

原创 百面機器學習(10)——循環神經網絡

目錄 循環神經網絡與卷積神經網絡 循環神經網絡的梯度消失問題 循環神經網絡中的激活函數 長短期記憶網絡 Seq2Seq模型 注意力機制 循環神經網絡與卷積神經網絡 1. 處理文本數據時,循環神經網絡與前饋神經網絡相比有什麼特點?(1) 在

原创 數據結構算法——位運算相關知識及示例

    理解位運算的第一步是理解二進制。二進制是指數字的每一位都是1或者0。比如十進制的2轉換成二進制之後是10,而十進制的10轉換成二進制之後是1010。在程序員圈子中有一則流傳了很久的笑話,說世界上有10種人,一種人知道二進制,而另一

原创 百面機器學習(3)——經典算法

目錄 SVM(SVM模型推導,和函數,SMO算法) 邏輯迴歸(邏輯迴歸,線性迴歸,多標籤分類,softmax) 決策樹(信息論,樹形數據結構,優化理論) SVM(SVM模型推導,和函數,SMO算法) 1. 在空間上線性可分的兩類點,分別向

原创 百面機器學習(12)——集成學習

目錄 集成學習的種類(Boosting,bagging, 基分類器) 集成學習的步驟和例子 基分類器(方差-偏差關係,隨機森林,基分類器) 偏差與方差 梯度提升決策樹的基本原理 XGBoost與GBDT的聯繫和區別 集成學習的種類(Boo

原创 XGBoost,RandomForest,LightGBM的模型參數解釋與代碼示例

目錄 一、XGBoost參數解釋 1.通用參數 2.Booster參數 3.學習目標參數 二、XGBoost調參示例 三、LightGBM參數解釋 1.核心參數 2.學習控制參數 3.度量函數 四、LightGBM調參示例 五、XGBoo

原创 百面機器學習(13)——生成式對抗網絡

目錄 初識GANs的祕密(MinMax遊戲,值函數,JS距離,概率生成模型,優化飽和) WGAN:抓住低維的幽靈(Collapse Mode坍縮, Wasserstein距離,1-Lipschitz函數) DCGAN:當GANs遇上卷積

原创 百面機器學習(11)——強化學習

目錄 強化學習基礎(馬爾可夫決策過程價值迭代,策略迭代) 視頻遊戲裏的強化學習(Q-learning) 策略梯度 探索與利用 強化學習基礎(馬爾可夫決策過程價值迭代,策略迭代) 場景描述:假設我們有一個3x3的棋盤,其中有一個單元格時馬里

原创 百面機器學習(9)——前向神經網絡

目錄 多層感知機與布爾函數 深度神經網絡中的激活函數 多層感知機的反向傳播算法 神經網絡訓練技巧 深度卷積神經網絡 深度殘差網絡 多層感知機與布爾函數 1. 多層感知機表示異或邏輯時最少需要幾個隱含層(僅考慮二元輸入)?(2)     2

原创 百面機器學習(8)——採樣

目錄 採樣的作用(採樣,機器學習,概率統計) 均勻分佈隨機數(概率統計,線性同餘) 常見的採樣方法(逆變換採樣,拒絕採樣,重要性採樣) 高斯分佈的採樣 馬爾可夫蒙特卡洛採樣法(蒙特卡洛法,馬爾可夫鏈,吉布斯採樣) 貝葉斯網絡的採樣 不均衡

原创 百面機器學習(6)——概率圖模型

目錄 概率圖模型的聯合概率分佈(概率圖,貝葉斯網絡,馬爾可夫網絡) 概率圖表示(樸素貝葉斯模型,概率圖,最大熵模型) 生成式模型與判別式模型 馬爾可夫模型 主題模型 概率圖模型最爲“精彩”的部分就是能夠用簡潔清晰的圖示形式表達概率生成的關

原创 k8s的Pod內容器互相訪問——容器內使用python操作同Pod的mysql容器

目錄 一、容器外部訪問容器內部服務 1. 使用hostNetwork參數(容器內部服務與宿主機同一網段) 2. 使用hostPort參數(將容器內端口暴露出來) 3. 使用NodePort參數 4. 使用LoadBalancer參數 二、