Datawhale 吃瓜教程 Task01打卡 感觉西瓜书蛮新手友好的，前两章都是在不厌其烦的介绍基础概念。 数据集就是我们要让机器学习的东西，希望机器能从中学习到“经验”，产生模型，从而在面对新情况（数据集以外的数据）也能做出有效的判断与决策。 特征(属性)：反应事物或对象在某方面的表现或性
本笔记为阿里云天池龙珠计划SQL训练营的学习内容，链接为：https://tianchi.aliyun.com/specials/promotion/aicampsql 一、初识数据库 1.1 DBMS的种类 1.2 RDBMS的常见系统结构 1.3 数据库安装 1.3.1 阿里云MySQL服务器使用介绍 1.3.2 本地MySQL环境搭建方法介绍 二、初识 SQL 2.1
SQL基础：初识数据库与SQL-安装与基本介绍等 Task01 三、练习题 3.1 编写一条 CREATE TABLE 语句，用来创建一个包含表 1-A 中所列各项的表 Addressbook （地址簿），并为 regist_no （注册编号）列设置主键约束 表1-A 表 Addressbook （地址簿）中的列 CREATE TABLE Addressbook ( regist_n
学习目标： 边做边学，完成kaggle上泰坦尼克的任务，实战数据分析全流程。 学习内容： 第一章第一节 数据载入及初步观察 1.1 载入数据 数据集下载 Titanic - Machine Learning from Disaster | Kaggle import numpy as np import pandas as pd # 相对路径载入 df =
第一章 绪论 1.2 基本术语 一般的令表示包含m个示例的数据集，每个示例由d个属性描述，则每个示例是d维样本空间中的一个向量，其中是在第j个属性上的取值，d称为样本的“维数”。 从数据中学得模型的过程称为“学习”或“训练”。若想要预测的数据是离散值，此类学习任务称为
文章目录 前言误差与过拟合评估方法如何划分训练集与测试集留出法交叉验证法自助法 调参性能度量MSE错误率与精度查准率、查全率与F1ROC与AUC代价敏感错误率与代价曲线偏差与方差 前言 这是我在Datawhale组队学习《机器学习》与《机器学习公式详解》的记录，既作为我学习
知识点总结 绘图实例 简单折线图 #导入第三方库 import matplotlib.pyplot as plt import numpy as np #第一种方法 fig,ax = plt.subplots()#创建一个包含一个axes的figure ax.plot([1,2,3,4],[1,4,2,3]); #绘制图像 #第二种方法 line = plt.plot([1,2,3,4],[1,4,2,3])
NLP实验准备工作 一、自然语言处理 NLP是什么？ 自然语言处理（Natural Language Processing, NLP）是一种重要的人工智能（Artificial Intelligence, AI）技术。我们随处可以见到NLP技术的应用，比如网络搜索，广告，电子邮件，智能客服，机器翻译，智能新闻播报等等。 分类 文本分类 序列标注
1.下载数据 # 下载数据 !wget http://tianchi-media.oss-cn-beijing.aliyuncs.com/dragonball/DM/data.zip # 解压下载好的数据 !unzip data.zip 2.载入数据 path = './data/' #载入训练集和测试集； Train_data = pd.read_csv(path+'train.csv', sep=' ') Test_data = pd.rea
Task01 函数极限与连续性 极限分为数列极限和函数极限，其中数列极限又由函数极限推广而来。 数列极限：\(n \to \infty , f(n) = \frac{1}{n}, n=0,1,2,3,..., \lim_{n \to \infty} \frac{1}{n} = 0\) 函数极限：eg. \(f(x) = \frac{1}{n}\) \(n \to \infty\): \[\lim_{x \to \in
第一章 绪论 基本术语 机器学习定义： 假设用P来评估计算机程序在某一个任务类T上的性能，若一个程序通过利用经验E在T中任务上获得了性能改善，则我们就说关于T和P，该程序对E进行了学习。属性： 反映事件或对象在某方向的表现或性质，也称为特征。如西瓜的“色泽”、“敲声”等。属性值：
“英特尔创新大师杯”深度学习挑战赛 赛道1：通用场景OCR文本识别任务（上） DataWhale七月份组队学习——基于AI Studio平台 https://aistudio.baidu.com/aistudio 文章目录 “英特尔创新大师杯”深度学习挑战赛 赛道1：通用场景OCR文本识别任务（上）背景一、AI Studio二、模型训练
本学习笔记为Datewhale-7月组队学习-动手学数据分析的学习内容，学习链接为：https://github.com/datawhalechina/hands-on-data-analysis 目录 数据载入及初步观察1.数据加载2.初步观察3.保存数据 Pandas基础1.数据类型（1）数据类型Series（2）数据类型DateFrame 2.查看数据（1）查看每列
【01】 学习资料 LeeML-Notes BiliBili Video B站网页端自带的笔记小工具挺好用的，截图功能超爽！ 【02】课程内容 01 闲聊 AI是个早在上世纪五十年代就被提出来的概念，但当时只是有这么个目标，并不知道该怎么做。 机器学习是实现这个目标的手段，吴恩达老师的课里用ETP去定义： 经验
本次学习内容均来自DataWhale第26期组队学习 https://github.com/datawhalechina/team-learning-program/tree/master/OfficeAutomation import pandas as pd import numpy as np 1、文件自动化处理 1.1 读写文件 1.1.1 文件名和文件路径 os.path.join()是用于路径拼接的 语
Task01：简单图论与环境配置与PyG 一、简单图论 具体可以参考datawhale开源资料 结合以上知识，概括图在药物发现领域的简要概念（待补充）： 定义一（分子图）： 分子图被记为 G = {
1.简单图论 用neo4j生成了一张图用以简单的了解图以及其背后的知识。 首先，这张图有两种元素构成，节点和边，对应的就是实体和关系。 然后节点油分为两类，一类是人，另一类是电影。 图其实就是把语言以图的形式表现出来，重点是强调各个个体之间的关系，在这个万物互联的时代，图显得更加
一、图论基础知识 连通图 二、拉普拉斯矩阵 拉普拉斯矩阵(Laplacian matrix) 也叫做导纳矩阵、基尔霍夫矩阵或离散拉普拉斯算子，主要应用在图论中，作为一个图的矩阵表示。 定义 图 度矩阵 邻接矩阵 拉普拉斯矩阵 三、配置 极客云：https://www.jikecloud.net/lo
本学习笔记为Datewhale-6月组队学习-Linux教程的学习内容，学习链接为：https://github.com/datawhalechina/team-learning-program/tree/master/Linux 一、学习知识点概要 Task01：Linux简介 知识点：什么是Linux、使用Linux的原因、发展历程、常用发行版、推荐阅读 二、学习内容 （一
Task01：异常检测介绍 文章目录 Task01：异常检测介绍0 写在前面1 异常检测的概念2 异常检测任务的分类2.1 有监督异常检测2.2 无监督异常检测 3 常见的异常检测算法3.1 问题定义3.2 异常检测算法综述 4 异常检测的实际应用4.1 欺诈行为检测（Fraud Detection）4.2 网络入侵检测（Net
一、知识点概要 分类算法预测指标: 混淆矩阵 confuse matrix 准确率、精确率、召回率、F1-Score、P-R曲线 ROC空间与AUC 金融风控预测类指标： KS统计量 pandas库读取、计算及绘图 二、学习内容 ①混淆矩阵:四个类 TP(True Positive) FP(False Positive) TN(True Negat
零基础入门语音识别学习Task01 本次新人赛是Datawhale与天池联合发起的零基础入门系列赛事第八场 —— 零基础入门语音识别-食物声音识别挑战赛。 baseline及用图由开源学习组织Datawhale提供 https://github.com/datawhalechina/team-learning 对天池比赛的熟悉 作为一个第
一、机器学习 —https://realpython.com/ 目录 一、机器学习来源 1.1 回归1.2 分类1.3 无监督学习参考资料 来源 Datewhle23期__集成学习(上) : https://github.com/datawhalechina/team-learning-data-mining/tree/master/EnsembleLearning 作者:李祖贤、薛传雨、赵
is, is not 对比的是两个变量的内存地址 ==, != 对比的是两个变量的值 比较的两个变量，指向的都是地址不可变的类型（str等），那么is，is not 和 ==，！= 是完全等价的。 对比的两个变量，指向的是地址可变的类型（list，dict，tuple等），则两者是有区别的。
task01作业 搜索了已经发表的大佬作业，几乎是完全复制粘贴运行了一遍。 复制作业 废物记录task02 搜索的解决办法并没有解决我的问题。
