02 2021 档案

软件需求十步走读后感8
摘要：对象式模型：面向对象的需求分析的工作任务是面向现实世界构造一个问题分析模型，如对象模型、时序模型、状态模型和功能模型。面向对象的系统设计的任务是明确对象的内部细节，包括定义对象的界面。数据结构、算法和操作等。特点：对象式开发的顺序和瀑布式模型的顺序是一致的，和瀑布式模型一样在实际开发工作中存在过程交 阅读全文
posted @ 2021-02-28 12:15 printf(); 阅读(80) 评论(0) 推荐(0)
软件需求十步走读后感7
摘要：软件开发模型： 一.瀑布式开发模型：如开发软件最常用的模型，这个模型认知简单，边界清晰，易于操作。分为六个阶段：软件计划-需求分析-系统设计-软件编码-系统测试-运行维护。具体描述如下。软件开发计划：确定软件开发项目必须完成的项目，论证项目的可行性，定义软件项目的开发范围，估算所需的人力，场地，设施 阅读全文
posted @ 2021-02-28 12:07 printf(); 阅读(94) 评论(0) 推荐(0)
2.28学习进度总结
摘要：梯度爆炸 阅读全文
posted @ 2021-02-28 12:05 printf(); 阅读(49) 评论(0) 推荐(0)
2.26学习进度总结
摘要：机器学习的目标 阅读全文
posted @ 2021-02-26 22:57 printf(); 阅读(71) 评论(0) 推荐(0)
2.25学习进度总结
摘要：1 PCA 算法的 Python 实现 Numpy 的 linalg 模块实现了常见的线性代数运算，包括矩阵的特征值求解。其中 eig 函数能够计算出给定方阵的特征值和对应的右特征向量。我们实现函数 principal_component_analysis，其输入为数据集 XX 和主成分数量 ll， 阅读全文
posted @ 2021-02-25 23:33 printf(); 阅读(107) 评论(0) 推荐(0)
2.8学习进度总结
摘要：特征值分解： 什么是降维：将数据的特征数量从高维转到低维 解决高维数据的维度灾难问题的一种手段 能够作为一种特征抽取的方法 便于对数据进行可视化分析 阅读全文
posted @ 2021-02-08 19:48 printf(); 阅读(71) 评论(0) 推荐(0)
2.7学习进度总结
摘要：K-Means 的 Python 实现及在图像分割和新闻聚类中的应用 1 实现 K-Means 算法 K-Means 算法的基本运行流程为： 1 随机选择 kk 个点作为初始中心 2 Repeat： 2.1 将每个样本指派到最近的中心，形成 kk 个类 2.2 重新计算每个类的中心为该类样本均值 3 阅读全文
posted @ 2021-02-07 17:41 printf(); 阅读(88) 评论(0) 推荐(0)
2.5学习进度总结
摘要：K-means算法流程 高斯混合模型：GMM 求解 EM算法 阅读全文
posted @ 2021-02-05 23:04 printf(); 阅读(56) 评论(0) 推荐(0)
2.4学习进度总结
摘要：第五讲：聚类 物以类聚，人以群分 聚类的本质：将数据集中相似的样本进行分组的过程 每一个组成为一个簇，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 不同簇的样本之间距离较远 聚类方法：层次聚类，K-Means，谱聚类等 阅读全文
posted @ 2021-02-04 21:07 printf(); 阅读(66) 评论(0) 推荐(0)
2.2学习进度总结
摘要：决策树、随机森林和adaboost的python实现 1 分类决策树 Python 实现 我们首先加载一份鸢尾花数据集以便于测试。鸢尾花数据集包含 150 个鸢尾花样本，每个样本包含 4 个特征和一个类别标签，数据集下载地址为 UCI鸢尾花。在 Sklearn 中可以使用 datasets.load 阅读全文
posted @ 2021-02-02 17:29 printf(); 阅读(121) 评论(0) 推荐(0)
2.1学习进度总结
摘要：第四讲 模型误差的来源 使用非线性模型： 生成：从根节点开始，选择节点对应特诊，选择节点特征分割点，根据分割点分裂节点 不纯度：表示落在当前节点的样本类别分布的均衡程度 节点分裂后，节点不纯度应该更低 选择特征及对应分割点，使得分类前后的不纯度下降最大 节点不纯度的度量： Gini指数： 信息熵 误 阅读全文
posted @ 2021-02-01 19:41 printf(); 阅读(87) 评论(0) 推荐(0)