君子兰萧宇的博客

人工神经网络的许多算法已在智能信息处理系统中获得广泛采用，尤为突出是是以下4种算法：ART网络、LVQ网络、Kohonen网络Hopfield网络，下面就具体介绍一下这这四种算法： 1．自适应谐振理论（ART）网络 自适应谐振理论（ART）网络具有不同的方案。一个ART-1网络含有两层一个输入层和一个输出层。这两层完全互连，该连接沿着正向（自底向上）和反馈（自顶向下）两个方向进行。 当ART-1网络在工作时，其训练是连续进行的，且包括下列算法步骤： （1）对于所有输出神经元，如果一个输出神经元的全部警戒权值均置为1，则称为独立神经元，因为它不被指定表示任何模式类型。 （2）给出一个新的输入模式x。 （3）使所有的输出神经元能够参加激发竞争。 （4）从竞争神经元中找到获胜的输出神经元，即这个神经元的x·W值为最大；在开始训练时或不存在更好的输出神经元时，优胜神经元可能是个独立神经元。 （5）检查该输入模式x是否与获胜神经元的警戒矢量V足够相似。 （6）如果r≥p，即存在谐振，则转向步骤（7）；否则，使获胜神经元暂时无力进一步竞争，并转向步骤（4），重复这一过程直至不存在更多的有能力的神经 ...

使用python来访问Hadoop HDFS存储实现文件的操作在调试环境下，咱们用hadoop提供的shell接口测试增加删除查看，但是不利于复杂的逻辑编程 查看文件内容 用python访问hdfs是个很头疼的事情。。。。 这个是pyhdfs的库 1234567import pyhdfsfs = pyhdfs.connect("192.168.1.1", 9000)pyhdfs.get(fs, "/rui/111", "/var/111")f = pyhdfs.open(fs, "/test/xxx", "w")pyhdfs.write(fs, f, "fuck\0gfw\n")pyhdfs.close(fs, f)pyhdfs.disconnect(fs) pyhdfs的安装过程很吐血 1234567svn checkout http://libpyhdfs. ...

一、信息增益 信息增益用在ID3决策树中，信息增益是依据熵的变化值来决定的值。 熵：随机变量不确定性大小的度量。熵越大，变量的不确定性就越大。 熵的公式表示： ​ X的概率分布为P(x=xi) = pi, i=1,2,3…(x可能的取值)，随机变量X熵为，并且0log0=1。 ​ 条件熵：H(Y|X)表示在随机变量X的条件下随机变量Y的不确定性。 ​ 在决策树中，Y即是数据集，X即是某个特征，即条件熵就是数据集在特征A划分条件下的熵。 ​ 信息增益：数据集D的熵H(D)与特征A给定条件下D的条件熵H(D|A)之差。g(D|A)=H(D)-H(D|A) ​ 因此根据信息增益决策划分节点时特征选择方法是：对训练数据集D，计算其每隔特征的信息增益，并比较它们的大小，选择信息增益最大的特征。 二、信息增益比​ 以信息增益作为划分数据集的特征，存在偏向于选择去取值较多的特征的问题，这时候可以使用信息增益比对这一问题进行修正。C4.5决策树正是基于信息增益比进行特征的选择进行结点的分割。 ​ 信息增益比定义：特征A对于训练集D的信息增益比定义为信息增 ...

目录 1 关于机器学习 2 sklearn库中的标准数据集及基本功能 2.1 标准数据集 2.2 sklearn库的基本功能 3 关于无监督学习 4 K-means方法及应用 5 DBSCAN方法及应用 6 PCA方法及其应用 7 NMF方法及其实例 8 基于聚类的“图像分割” 正文 1 关于机器学习　　机器学习是实现人工智能的手段, 其主要研究内容是如何利用数据或经验进行学习, 改善具体算法的性能 　　　　多领域交叉, 涉及概率论、统计学, 算法复杂度理论等多门学科 　　　　广泛应用于网络搜索、垃圾邮件过滤、推荐系统、广告投放、信用评价、欺诈检测、股票交易和医疗诊断等应用　　机器学习的分类 　　　　监督学习 （Supervised Learning） 　　　　　　从给定的数据集中学习出一个函数, 当新的数据到来时, 可以根据这个函数预测结果, 训练集通常由人工标注 　　　　无监督学习 （Unsupervised Learning） 　　　　　　相较于监督学习, 没有人工标注 　　　　强化学习（Reinforcement Learning，增强学习） 　　　　　　通过观察通 ...

梯度下降的场景假设 梯度 梯度下降算法的数学解释 梯度下降算法的实例 梯度下降算法的实现 Further reading 本文将从一个下山的场景开始，先提出梯度下降算法的基本思想，进而从数学上解释梯度下降算法的原理，最后实现一个简单的梯度下降算法的实例！ 梯度下降的场景假设 梯度下降法的基本思想可以类比为一个下山的过程。假设这样一个场景：一个人被困在山上，需要从山上下来(i.e. 找到山的最低点，也就是山谷)。但此时山上的浓雾很大，导致可视度很低。因此，下山的路径就无法确定，他必须利用自己周围的信息去找到下山的路径。这个时候，他就可以利用梯度下降算法来帮助自己下山。具体来说就是，以他当前的所处的位置为基准，寻找这个位置最陡峭的地方，然后朝着山的高度下降的地方走，同理，如果我们的目标是上山，也就是爬到山顶，那么此时应该是朝着最陡峭的方向往上走。然后每走一段距离，都反复采用同一个方法，最后就能成功的抵达山谷。 image.png 我们同时可以假设这座山最陡峭的地方是无法通过肉眼立马观察出来的，而是需要一个复杂的工具来测量，同时，这个人此时正好拥有测量出最陡峭方向的能力。所以，此人 ...

重做红楼梦的数据分析-判断前80回后40回是否一个人写的红楼梦的数据分析已经有许多人做过，结论也各不相同。我在知乎上看到两篇帖子：\1. [通过数据挖掘能分析《红楼梦》各回的真伪吗？](https://www.zhihu.com/question/19768898 智慧思特的回答)\2. 用机器学习判定红楼梦后40回是否曹雪芹所写觉得很有意思，于是用自己的方法重做了一次 环境配置:我主要使用的编程环境是Jupyter Notebook 4.2.1，因为可以调整每一个代码块，方便纠错什么的。然后我们得用到一个中文分词工具 - Jieba, 是由百度工程师Sun Junyi开发的之后我们还得用到一些做机器学习/数据挖掘的标准包：numpy, matplotlib 和 sklearn 数据准备：用爬虫思想，我去这个网站扒下来红楼梦全集，然后剪掉中间所有的换行符，使得每一回只占文档中的一行。这样的话，方便接下来读取。 直接上代码：一、导入各种需要的包 123456789101112131415161718192021# -*-coding:utf-8 -*-import urllibimpor ...

[**相关游戏请点击右上角传送门按钮]**

《权力的游戏第六季》 http://www.zxba.cc/ju/oumeiju/14138/ 《权力的游戏第六季》 http://ftgherys3.top/dsj/oumei/quanlideyouxidiliuji/index.html 权力的游戏第六季1-7集下载_权力的游戏无删减版下载_权力的游戏第六季未删减版下载_追剧_游魂岛 http://www.youhundao.com/zhuiju/quanli/ 《权力的游戏》 http://www.ttmeiju.com/meiju/Game.of.Thrones.html

使用多块磁盘建立raid Freenas的raid级别定义 raid 0 ———————— stripe raid 1 ————————mirror raid 5 ———————– RAID-Z raid 10 \ raid 6 ————RAID-Z2 \1. 使用多块磁盘建立raid Freenas的raid级别定义 raid 0 ———————— stripe raid 1 ————————mirror raid 5 ———————– RAID-Z raid 10 \ raid 6 ————RAID-Z2 UFS Volume manager（UFS卷管理）模式下，只能建立raid 0,1,3 ZFS Volume manager（动态文件系统卷管理）模式下，可以建立raid 0,1,5,6,1+0，还可以将磁盘设为备份模式 现在使用ZFS模式，利用4块硬盘建立一个raid 5 这个raid5建好了，少了30G的空间，也就是1.5块磁盘空间（理论上是只少一块盘的空间） \2. 在新建的raid磁盘上建立2个目录，其中nfs目录等下做NFS共享，cifs目录等下做CIFS共享给win ...

给EFI系统分区设定盘符Win7 64bit安装后的出现EFI分区，在磁盘管理中右键点击无法指定盘符，可以进行下面的操作。 工具/原料 efi分区格式硬盘 64位系统 方法/步骤 —-以管理员身份运行cmd，输入： diskpart sel disk M(M为你的efi分区所在磁盘号，一般为数字0) list part sel part x (x为EFI分区分区号，我的是分区1，类型为“主要”) set id=ebd0a0a2-b9e5-4433-87c0-68b6b72699c7 assign letter=y (y为分配的盘符，任意) 返回EFI系统分区隐藏 —-以管理员身份运行cmd，输入： diskpart sel disk M(M为你的efi分区所在磁盘号，一般为数字0) list part sel part x (x为EFI分区分区号，我的是分区1，类型为“主要”) set id=c12a7328-f81f-11d2-ba4b-00a0c93ec93b （EFI系统分区ID）