sheng专题

sheng的学习笔记-AI-半监督聚类

AI目录：sheng的学习笔记-AI目录-CSDN博客半监督学习：sheng的学习笔记-AI-半监督学习-CSDN博客聚类：sheng的学习笔记-AI-聚类(Clustering)-CSDN博客均值算法：sheng的学习笔记-AI-K均值算法_k均值算法怎么算迭代两次后的最大值-CSDN博客什么是半监督聚类聚类是一种典型的无监督学习任务，然而在现实聚类任务中我们往往能获得

sheng的学习笔记-AI-半监督SVM

AI目录：sheng的学习笔记-AI目录-CSDN博客 svm: sheng的学习笔记-AI-支持向量机（SVM）-CSDN博客半监督学习： sheng的学习笔记-AI-半监督学习-CSDN博客什么是半监督svm 半监督支持向量机（Semi-Supervised Support Vector Machine,简称S3VM）是支持向量机在半监督学习上的推广。在不考虑未标记样本时，

sheng的学习笔记-AI-半监督学习

AI目录：sheng的学习笔记-AI目录-CSDN博客基础知识什么是半监督学习我们在丰收季节来到瓜田，满地都是西瓜，瓜农抱来三四个瓜说这都是好瓜，然后再指着地里的五六个瓜说这些还不好，还需再生长若干天。基于这些信息，我们能否构建一个模型，用于判别地里的哪些瓜是已该采摘的好瓜？显然，可将瓜农告诉我们的好瓜、不好的瓜分别作为正例和反例来训练一个分类器但如果瓜农无法提供大量的好瓜/不

AIGC应用实战营毕业总结---Geek_sheng

在极客时间的AIGC应用实战训练营学习了整整两个月，课程已圆满结束。以下是我对整个训练营的学习总结。作为一名嵌入式开发工程师，我对AI技术一直抱有浓厚的兴趣，但由于缺乏系统的学习和实践，始终未能找到入门的钥匙。在得知极客推出针对AI初学者的AIGC应用实战营后，我在班班的鼓励下果断报名参加。本次课程由尹老师主讲，内容涵盖从最基础的文字生成到图像、视频、音频及数字人的制作。课程还深入探讨了A

sheng的学习笔记-AI-EM算法

AI学习笔记目录：sheng的学习笔记-AI目录-CSDN博客目录基础知识什么是EM算法 EM算法简介数学知识极大似然估计问题描述用数学知识解决现实问题最大似然函数估计值的求解步骤 Jensen不等式定义 EM算法详解问题描述 EM算法推导流程 EM算法流程小结 EM算法实例基础知识什么是EM算法 EM（Expectat

sheng的学习笔记-AI-决策树（Decision Tree）

AI目录：sheng的学习笔记-AI目录-CSDN博客目录什么是决策树划分选择信息增益增益率基尼指数剪枝处理预剪枝后剪枝连续值处理另一个例子基本步骤排序计算候选划分点集合评估分割点每个分割点都进行评估，找到最大信息增益的划分点递归分割缺失值处理示例多变量决策树 “斜决策树”(obliquedecision tr

sheng的学习笔记-AI-人脸识别

目录:sheng的学习笔记-AI目录-CSDN博客需要学习卷机神经网络等知识，见ai目录目录基础知识：人脸验证（face verification）人脸识别（face recognition） One-Shot学习（One-shot learning）困难点：编辑传统的解决办法解决方案-Similarity函数 Siamese 网络（Siamese

sheng的学习笔记-AI-Inception network

目录：sheng的学习笔记-AI目录-CSDN博客基础知识构建卷积层时，你要决定过滤器的大小究竟是1×1（原来是1×3，猜测为口误），3×3还是5×5，或者要不要添加池化层。而Inception网络的作用就是代替你来决定，虽然网络架构因此变得更加复杂，但网络表现却非常好本文用到基础知识 1*1卷积，需要看文章：sheng的学习笔记-AI-Network in Network（

sheng的学习笔记- AI-类别不平衡问题

目录：sheng的学习笔记-AI目录-CSDN博客什么是类别不平衡问题类别不平衡（class-imbalance），也叫数据倾斜，数据不平衡，就是指分类任务中不同类别的训练样例数目差别很大的情况。例如有998个反例，但正例只有2个，那么学习方法只需返回一个永远将新样本预测为反例的学习器，就能达到99.8%的精度；然而这样的学习器往往没有价值，因为它不能预测出任何正例解决方案

sheng的学习笔记-AI-多分类学习:ECOC,softmax

目录：sheng的学习笔记-AI目录-CSDN博客基本术语：若我们欲预测的是离散值，例如“好瓜”“坏瓜”，此类学习任务称为“分类”(classification)；若欲预测的是连续值，例如西瓜成熟度0.95、0.37，此类学习任务称为“回归”(regression)。对只涉及两个类别的“二分类”(binary classification)任务，通常称其中一个类为“正类”(po

sheng的学习笔记-Actuator健康监控

前言在微服务系统里，对微服务程序的运行状况的跟踪和监控是必不可少的；例如GPE，Telegraf+influxDB都提供了微服务体系监控的方案， ZIPKIN， Skywalking都提供了微服务云体系的APM的方案；这些解决方案功能全面；但是都需要提供额外的资源进行架构；其实在SpringBoot构建的微服务中本身就带有了Actuator组件，能够提供相关的功能，如果我们对此要求不特别高

sheng的学习笔记-docker部署springboot

部署文章目录：目录 docker部署，原理，命令，可以参考：docker原理图，部署，命令目录将springboot部署到docker中遇到过的问题： pom配置操作步骤生成jar 构建镜像查看镜像docker images 运行镜像查看运行的镜像将springboot部署到docker中遇到过的问题：生成出来的jar包缺少依赖JAR

sheng的学习笔记-网络爬虫scrapy框架

基础知识： scrapy介绍何为框架，就相当于一个封装了很多功能的结构体，它帮我们把主要的结构给搭建好了，我们只需往骨架里添加内容就行。scrapy框架是一个为了爬取网站数据，提取数据的框架，我们熟知爬虫总共有四大部分，请求、响应、解析、存储，scrapy框架都已经搭建好了。scrapy是基于twisted框架开发而来，twisted是一个流行的事件驱动的python网络框架，scrapy使

sheng的学习笔记-docker部署数据库oracle，mysql

部署目录：sheng的学习笔记-部署-目录-CSDN博客 docker基础知识可参考 sheng的学习笔记-docker部署，原理图，命令，用idea设置docker docker安装数据库 mac版本安装oracle 下载oracle镜像打开终端，输入 docker search oracle 我这里下载的是 oracle-xe-11g,在终端中输入

sheng的学习笔记-部署-目录

标题传送门 sheng的学习笔记-docker部署，原理图，命令，用idea设置docker sheng的学习笔记-docker部署，原理图，命令，用idea设置docker sheng的学习笔记-docker部署springboot sheng的学习笔记-docker部署springboot sheng的学习笔记-docker部署数据库 sheng的学习笔记-docker部署数据库

sheng的学习笔记-卷积神经网络

源自吴恩达的深度学习课程，仅用于笔记，便于自行复习导论 1）什么是卷积神经网络卷积神经网络，也就是convolutional neural networks （简称CNN），使用卷积算法的神经网络，常用于计算机视觉等领域 2）卷积神经网络的一些应用场景 2.1 图片分类，或者说图片识别。比如给出这张64×64的图片，让计算机去分辨出这是一只猫。 2.2 目标检测，比如在一个无人

sheng的学习笔记-【中】【吴恩达课后测验】Course 4 -卷积神经网络 - 第三周测验

课程4_第3周_测验题目录第一题 1.现在你要构建一个能够识别三个对象并定位位置的算法，这些对象分别是：行人（c=1），汽车（c=2），摩托车（c=3）。下图中的标签哪个是正确的？注： y = [ p c , b x , b y , b h , b w , c 1 , c 2 , c 3 ] y=[p_c,b_x,b_y,b_h,b_w,c_1,c_2,c_3] y=[pc,bx

sheng的学习笔记-【中】【吴恩达课后测验】Course 4 -卷积神经网络 - 第四周测验

课程4_第4周_测验题目录第一题 1.面部验证只需要将新图片与1个人的面部进行比较，而面部识别则需要将新图片与K个人的面部进行比较。 A. 【】正确 B. 【】错误答案： A.【 √ 】正确第二题 2.在人脸验证中函数d(img1,img2)起什么作用？ A. 【】只需要给出一个人的图片就可以让网络认识这个人 B. 【】为了解决一次学习的问题 C.

sheng的学习笔记-注册中心Eureka和负载均衡Ribbon

Eureka-注册中心 Eureka简介官方网址： https://spring.io/projects/spring-cloud-netflix Eureka介绍 Spring Cloud 封装了 Netflix 公司开发的 Eureka 模块来实现服务注册和发现(请对比Zookeeper)。Zooleeper nacos. Eureka 采用了 C-S 的设计架构。Eureka Ser

sheng的学习笔记-【中文】【吴恩达课后测验】Course 1 - 神经网络和深度学习 - 第一周测验

课程1_第1周_测验题目录：目录第一题 1.“人工智能是新电力” 这个比喻指的是什么？ A. 【】人工智能为我们的家庭和办公室的个人设备供电，类似于电力。 B. 【】通过“智能电网”，人工智能正在传递新一波的电力。 C. 【】人工智能在计算机上运行，因此由电力驱动，但它让计算机做以前不可能做的事情。 D. 【】与100年前开始的电力类似，人工智能正在改变多个行业。

sheng的学习笔记-【中文】【吴恩达课后测验】Course 2 - 改善深层神经网络 - 第三周测验

课程2_第3周_测验题目录：目录第一题 1.如果在大量的超参数中搜索最佳的参数值，那么应该尝试在网格中搜索而不是使用随机值，以便更系统的搜索，而不是依靠运气，请问这句话是正确的吗？ A. 【】对 B. 【】不对答案： B.【 √ 】不对第二题 2.每个超参数如果设置得不好，都会对训练产生巨大的负面影响，因此所有的超参数都要调整好，请问这是正确的吗？ A. 【

sheng的学习笔记-【中文】【吴恩达课后测验】Course 1 - 神经网络和深度学习 - 第三周测验

课程1_第3周_测验题目录：目录第一题 1.以下哪一项是正确的？ A. 【】 a [ 2 ] ( 12 ) a^{[2](12)} a[2](12)是第12层，第2个训练数据的激活向量。 B. 【】X是一个矩阵，其中每个列都是一个训练示例。 C. 【】 a 4 [ 2 ] a^{[2]}_4 a4[2] 是第2层，第4个训练数据的激活输出。 D. 【】 a 4

sheng的学习笔记-【中文】【吴恩达课后测验】Course 2 - 改善深层神经网络 - 第二周测验

课程2_第2周_测验题目录：目录第一题 1.当输入从第8个mini-batch的第7个的例子的时候，你会用哪种符号表示第3层的激活？ A. 【】 a [ 3 ] { 8 } ( 7 ) a^{[3]\{8\}(7)} a[3]{8}(7) B. 【】 a [ 8 ] { 7 } ( 3 ) a^{[8]\{7\}(3)} a[8]{7}(3) C. 【】 a [ 8 ]

sheng的学习笔记-【中文】【吴恩达课后测验】Course 1 - 神经网络和深度学习 - 第二周测验

课程1_第2周_测验题目录：目录第一题 1.神经元计算什么？ A. 【】神经元计算激活函数后，再计算线性函数（z=Wx+b） B. 【】神经元计算一个线性函数（z=Wx+b），然后接一个激活函数 C. 【】神经元计算一个函数g，它线性地缩放输入x（Wx+b） D. 【】神经元先计算所有特征的平均值，然后将激活函数应用于输出答案： B.【 √ 】神经元计算一个