摘要：
本周主要学习了质量属性的六个基本属性 可用性，可修改性、性能、安全性、可测试性、易用性。 其中我们小组重点又研究讨论了其中的可用性战术，以及其在项目中的具体应用。 另外在大数据学习方面，完成了新环境的配置，运行并研究了实验程序。 阅读全文
摘要：
1、可用性（Availability）： 场景：双十一期间支付界面会出现卡顿，加载漫长等现象 刺激源：用户 刺激：访问数量过大，服务器过载 制品：系统 环境：正常操作 响应：用户不能及时刷新出界面 响应度量：5秒后刷新出页面 2、可修改性（Modifiability）： 场景：淘宝修改app图标与购 阅读全文
摘要：
第八讲、维度灾难 1.维度灾难 随着维度（例如特征或自由度)的增多，问题的复杂性（或计算算代价）呈指数级增长的现象。 单位球体积随纬度的变化公式： 高维空间中，球体内部的体积与表面积处的体积相比可以忽略不计。 2.高维空间中的欧氏距离 3.基于距离的机器学习模型 K近邻：样本间距离。 支持向量机:样 阅读全文
摘要：
第七讲、最优化 1.优化目标 2.梯度下降 ①batch ②随机梯度下降SGD 训练一个样本，更新—次参数； mini-batch是SGD的推广，通常所说SGD即是mini-batch。 ③病态条件 病态条件：不同方向有不同的梯度；学习率的选择困难。 ④局部最小 局部最小(local minima) 阅读全文
摘要：
第六讲、降维 1.特征值分解 设A是n阶方阵，如果有常数入和n维非零列向量α的关系式： Aα = λα 成立，则称λ为方阵A的特征值，非零向量α称为方阵A 的对应于特征值入的特征向量。 2.降维简介 降维（dimensionality reduction) :将数据的特征数量从高维转换到低维； ①实 阅读全文
摘要：
第五讲、聚类 1.数学知识回顾：凸函数与jensen不等式 2.聚类简介 聚类的本质:将数据集中相似的样本进行分组的过程； 每个组称为一个簇(cluster)每个簇的样本对应一个潜在的类别； 样本没有类别标签，一种典型的无监督学习方法； 这些簇满足以下两个条件： 相同簇的样本之间距离较近； 不同簇的 阅读全文
摘要：
第四讲、模型提升 1.模型误差的来源 2.非线性模型 从线性模型到非线性模型； 线性回归:多项式回归； 支持向量机:给定的核函数组合，基本属于"猜测”； 决策树:空间划分的思想来处理非线性数据。 3.深度学习 感知机:线性回归+简单的非线性映射； 多层感知机:多层神经元的组合，多个简单非线性函数的复 阅读全文
摘要：
第三讲 分类 1.数学知识回顾 ①点到平面距离 ②梯度下降法 ③随机梯度下降法 学习率的取值要逐步降低 ④最大似然估计 2.分类介绍 另一种典型的有监督学习问题 标签（模型预测值)y为离散值 实际应用举例 新闻主题分类∶科技、教育、社会、体育?疾病诊断∶根据病人肺部影像图片，诊断是否患 COVID- 阅读全文
摘要：
第二讲、回归 1.矩阵 numpy.linalg模块包含线性代数的函数，可计算逆矩阵、求特征值、解线性方程组以及求解行列式等。 行列式:np.linalg.det(A). 计算逆矩阵:np.linalg.inv(A). 2.回归 回归指的是一类预测变量为连续值的有监督学方式。 在回归模型中，需要预测 阅读全文
摘要：
第一讲：介绍 1.学习大数据原因： 数据源∶非结构化数据（语音、视频、文本、网络数据) 模型和计算能力∶深度学习、GPU、分布式系统 广泛的应用场景∶营销、广告、金融、交通、医疗等 2.公式 Data Data:数据 丨 X︰表示、特征、指标 丨 F︰模型 ↓ Y : 智慧，也即预测任务或目标 Y 阅读全文