10 2021 档案
摘要:import tensorflow as tf import pandas as pd import numpy as np import matplotlib.pyplot as plt %matplotlib inline (train_image,train_label),(test_imag
阅读全文
摘要:import tensorflow as tf import pandas as pd import numpy as np import matplotlib.pyplot as plt %matplotlib inline (train_image,train_label),(test_imag
阅读全文
摘要:import tensorflow as tf import pandas as pd import numpy as py import matplotlib.pyplot as plt %matplotlib inline data = pd.read_csv("C:\\Users\\94823
阅读全文
摘要:import tensorflow as tf import numpy as np import pandas as pd import matplotlib.pyplot as plt %matplotlib inline data = pd.read_csv("C:\\Users\\94823
阅读全文
摘要:今日内容 Jupyter 在此处摁下“m"键就会编程markdown模式 摁”b“键是在下方创建代码 %matplotlib inline 作用:%matplotlib inline这一句是IPython的魔法函数,可以在IPython编译器里直接使用,作用是内嵌画图,省略掉plt.show()这一
阅读全文
摘要:今日内容 github生成ssh密钥对的命令:ssh-keygen -t rsa shh远程链接远程仓库 在本地仓库目录下,origin只是一个别名,起什么名都可以!! 然后刷新界面 今天学习了git版本控制,vue的入门, 明日计划 vue的基础内容弄完,然后把项目一些东西弄清楚,跑起来。后面再开
阅读全文
摘要:今日内容 对算法课后题其中一个操作流程有所进一步的了解,牵扯到的是依赖背包问题 把“复杂网络上的合作行为演化研究——基于Q-learning算法”中的算法实现了一下,跑的效果一般,基本上是开始几轮合作者的数目减少,后面开始增多,并一直下去。如果开局就是全部随机“合作者”,“背叛者”,那很快就扩散成全
阅读全文
摘要:昨天对着一个q_learning的小案例敲了一下,他是类似走迷宫,从红色地方走到黄色圆圈,走到后面,基本上就是沿着一条路线走. 主要参考: https://github.com/MorvanZhou/Reinforcement-learning-with-tensorflow 这是一个迷宫的环境 #
阅读全文
摘要:今日内容 对python中numpy与pandas两个库做了学习 numpy的基本操作 # -*- coding = utf-8 -*- # @Time: 2021/10/10 10:58 # @Author: 闲卜 # @File: test.py # @Software: PyCharm imp
阅读全文
摘要:今日内容 今天一天在弄工程训练课的文档需求,要求是一个在线考试系统,我负责教师管理试卷、考试以及成绩汇总这三块。 晚上就弄懂了算法第一题内容,并把代码实现了 今日难点 项目模块流程考虑效率比较低,缺乏经验 明日计划 解决另一道算法题 找q-learning算法的案例,最好能够代码实现一下。
阅读全文
摘要:今日内容 完成概率图模型以及强化学习的重点复习 \(\epsilon\)-贪心:基于一个概率来对探索和利用进行折中:每次尝试时,以$\epsilon$的概率进行探索,以均匀概率随机选取一个摇臂,以1-$\epsilon$的概率进行利用,即选择当前平均奖赏最高的摇臂 比如图上有五个摇臂,有100次摇臂
阅读全文
摘要:今日内容 完成了西瓜书第16章的学习,并回顾了之前几张内容 TSVM(针对二分类问题): 试图考虑对未标记样本进行各种可能的标记指派,尝试将每个未标记样本分别作为正例反例,然后对所有这些结果中,寻求一个在所有样本(包括有标记样本和进行了标记指派的未标记样本)上间隔最大化的超平面,一旦超平面得以确定,
阅读全文
摘要:今日内容 完成了西瓜书第12章与第13章的学习 经验误差与泛化误差: 经验误差:已知数据集上的误差,但经验误差最好的情况不一定是我们所需要的 泛化误差:全局数据集上的误差 计算想学习理论:研究经验误差与泛化误差之间的逼近程度,泛化误差是我们的追求目标,经验误差是我们在已有数据集上的表现,两者之间的逼
阅读全文
浙公网安备 33010602011771号