## 深度学习-优化算法 黄海广 副教授 2023年04月 ## 本章目录 01 小批量梯度下降 02 优化算法 03 超参数调整和BatchNorm 04 Softmax ### 1. 小批量梯度下降 ## 01 小批量梯度下降 02 优化算法 03 超参数调整和BatchNorm 04 Softmax ## 小批量梯度下降 ## 小批量梯度下降（Mini-Batch [Image](/uploads/documents/b/5/6/7/b567ec9747c87c33d45000790224cffe/p5_2.jpg) ### 2. 优化算法 01 小批量梯度下降 ## 02 优化算法 03 超参数调整和BatchNorm 04 Softmax ## 伦敦温度的例子 $$ \theta_{1}=40^{\circ}\mathrm{F} $$ $$ RMSprop  在第t次迭代中，该算法会照常计算当下mini-batch的微分dW，db，所以我会保留这个指数加权平均数，我们用到新符号 $ S_{dW} $ ，而不是 $ v_{dW} $ ，因此 $ S_{dW}=\beta S_{dW}+(1-\beta)dW^{2}

## 机器学习-KNN算法 黄海广 副教授 2021年04月 ## 本章目录 01 距离度量 02 KNN算法 03 KD树划分 04 KD树搜索 ### 1. 距离度量 01 距离度量 02 KNN算法 03 KD树划分 04 KD树搜索 ## 距离度量 欧氏距离(Euclidean distance) 电影分类 ^{2}}} $$ ### 2. KNN算法 01 距离度量 02 KNN算法 03 KD树划分 04 KD树搜索 ### 2. KNN算法 k近邻法（k-Nearest Neighbor, kNN）是一种比较成熟也是最简单的机器学习算法，可以用于基本的分类与回归方法。 算法的主要思路： 如果一个样本在特征空间中与k个实例最为相似(即特征空间中最 对于回归问题：对新的样本，根据其k个最近邻的训练样本标签值的均值作为预测值。 ### 2. KNN算法 k近邻法（k-Nearest Neighbor,kNN）是一种比较成熟也是最简单的机器学习算法，可以用于基本的分类与回归方法。 k近邻法的三要素： • k值选择。 • 距离度量。 • 决策规则。 ### 2. KNN算法 ## 算法流程如下: 1. 计算测试对象到训练集中每个对象的距离 2. 按照距离的远近排序

## Apache ServiceComb（Incubating）社区路线图 部门名称：2012中软开源能力中心 作者：姜宁 日期：2018-10-12  ## 个人介绍 华为公司开源技术专家， Apache ServiceComb项目发起人。 .jpg) http://www.aleanjourney.com/2016/05/5-steps-for-creating-lean-roadmap.html ## ServiceComb发展路线图  ROAD MAP ## ServiceComb（Apache .jpg) 优化后台性能 支持多种分布式协调机制 多语言框架Omega 外部长期贡献者10 + ，邮件列表活跃度 每月180 封 ，外部用户 20 家 ## ServiceComb近期发展路线图 异步编程接口支持 在Vertx基础上继续扩展 AsyncRestTemplate CompletableFuture RxJava 服务中心 多数据中心支持 拥抱混合云架构 支持客户端自注册于平台注册

FEELO FEELO FEELO FEELO FEELO FEELO FEELO FEELO > Hello 算法 动画图解、能运行、可提问的数据结构与算法入门教程 作者：靳宇栋(Krahets) Hello 算法 Python 语言版 靳宇栋（Krahets） ![Image](/uploads/documents/e/3/9/d/e39dc6589e0cf5c9e46cd9d8a9dac748/p2_1 0.0b2 2023-03-30 ## 序 两年前，我在力扣上分享了《剑指 Offer》系列题解，受到了很多小伙伴的喜爱与支持。在此期间，我也回复了许多读者的评论问题，遇到最多的问题是“如何入门学习算法”。我渐渐也对这个问题好奇了起来。 两眼一抹黑地刷题应该是最受欢迎的方式，简单粗暴且有效。然而，刷题就如同玩“扫雷”游戏，自学能力强的同学能够顺利地将地雷逐个排掉，而基础不足的同学很可能被炸的满 大的挑战。 如果你也有上述烦恼，那么很幸运这本书找到了你。本书是我对于该问题给出的答案，虽然不一定正确，但至少代表一次积极的尝试。这本书虽然不足以让你直接拿到 Offer，但会引导你探索数据结构与算法的“知识地图”，带你了解不同“地雷”的形状大小和分布位置，让你掌握各种“排雷方法”。有了这些本领，相信你可以更加得心应手地刷题与阅读文献，逐步搭建起完整的知识体系。 书内的代码配有可一键运行的源文件，托管在

## AI选房中深度学习的实践及优化 周玉驰 贝壳找房 - 数据智能中心 - 策略算法部 ## 极客时间 | 企业服务 ## 想做团队的领跑者 需要迈过这些“槛” 成长型企业，易忽视人才体系化培养企业转型加快，团队能力又跟不上 团队成员技能水平不一， 难以一“敌”百人需求 寻求外部培训，奈何价更高且集中式学习 学习效果难以统计，产生不良循环 VS VS VS VS 从基础到进阶，超100+一线实战 从基础到进阶，超100+一线实战 技术专家带你系统化学习成长 解决从小白到资深技术人所遇到80%的问题 多样、灵活的学习方式，包括音频、图文和视频 获取员工学习报告，查看学习进度，形成闭环  课程顾问「橘子」 回复「QCon」 回复「QCon」 免费获取 # 极客时间企业账号 # 解决技术人成长路上的学习问题 学习解决方案 ☐ 扫一扫二维码图案，加我微信 ## 自我介绍 ## 周玉驰 硕士毕业于中科院 先后就职于华为，百度和医渡云 目前就职于贝壳找房 主要负责两个方向 房源策略算法 房客人关系图谱 ![Image](/uploads/documents/1/b/d/8/1bd83fec28f17d282f8f7818a6f8fdf8/p4_2

## Greenplum内核揭秘之 ## ☐ ☐ ☐ ☐ ## 排序算法 钉钉直播 | 9月25日 16:00 - 17:00 #### Greenplum中文社区 https://cn.greenplum.org 博文·资料·文档·项目 ## GREENPLUM DATABASE $ ^{®} $ : if length(a)

FEELO FEELO FEELO FEELO FEELO FEELO FEELO FEELO > Hello 算法 动画图解、能运行、可提问的数据结构与算法入门教程 作者：靳宇栋(Krahets) Hello 算法 Go 语言版 靳宇栋（Krahets） ![Image](/uploads/documents/8/7/6/8/87684fca4ea599a106f75027e120faff/p2_1 Release 1.0.0b5 2023-09-10 ## 序 两年前，我在力扣上分享了《剑指 Offer》系列题解，受到了许多同学的喜爱和支持。在与读者的交流期间，最常收到的一个问题是“如何入门学习算法”。我逐渐对这个问题产生了浓厚的兴趣。 两眼一抹黑地刷题似乎是最受欢迎的方法，简单直接且有效。刷题就如同玩“扫雷”游戏，自学能力强的同学能够顺利地将地雷逐个排掉，而基础不足的同学很可能被炸的满头 的挑战。 如果你也面临类似的困扰，那么很幸运这本书找到了你。本书是我对此问题的给出的答案，即使不是最优解，也至少是一次积极的尝试。这本书虽然不足以让你直接拿到 Offer，但会引导你探索数据结构与算法的“知识地图”，带你了解不同“地雷”的形状大小和分布位置，让你掌握各种“排雷方法”。有了这些本领，相信你可以更加自如地应对刷题和阅读文献，逐步构建起完整的知识体系。 本书中的代码附有可一键运行的源文件，托管于

## 机器学习-集成学习 黄海广 副教授 2022年12月 ## 本章目录 01 集成学习方法概述 02 AdaBoost和GBDT算法 03 XGBoost 04 LightGBM ### 1. 集成学习方法概述 01 集成学习方法概述 02 AdaBoost和GBDT算法 03 XGBoost 04 LightGBM ## 集成学习 ## Bagging 从 ## 集成学习 ## Boosting 训练过程为阶梯状，基模型按次序——进行训练（实现上可以做到并行），基模型的训练集按照某种策略每次都进行一定的转化。对所有基模型预测的结果进行线性综合产生最终的预测结果。  ## 集成学习 ## Stacking ## 随机森林 ## Random Forest（随机森林） 用随机的方式建立一个森林。随机森林算法由很多决策树组成，每一棵决策树之间没有关联。建立完森林后，当有新样本进入时，每棵决策树都会分别进行判断，然后基于投票法给出分类结果。 ## 优点 1. 在数据集上表现良好，相对于其他算法有较大的优势 2. 易于并行化，在大数据集上有很大的优势； 3. 能够处理高维度数据，不用做特征选择。

## 深度学习-深度学习实践 黄海广 副教授 2023年03月 ## 本章目录 01 数据集划分 02 数据集制作 03 数据归一化/标准化 04 正则化 05 偏差和方差 ## 数据集划分 训练集（Training Set）：帮助我们训练模型，简单的说就是通过训练集的数据让我们确定拟合曲线的参数。 验证集（Validation Set）：也叫做开发集（Dev Set），用来做模型选择（model selection），即做模型的最终优化及确定的，用来辅助我们的模型的构建，即训练超参数，可选； 测试集（Test Set）：为了测试已经训练好的模型的精确度。 三者划分：训练集、验证集、测试集 机器学习：60%，20%，20%；70%，10%，20% 深度学习：98%，1%，1%（假设百万条数据） ## 交叉验证 的技术，保留所有的特征，但是减少参数的大小（magnitude），它可以改善或者减少过拟合问题。 ### 4. 集成学习方法 集成学习是把多个

## 机器学习-机器学习实践 黄海广 副教授 2022年02月 ## 本章目录 01 数据集划分 02 评价指标 03 正则化、偏差和方差 ### 1. 数据集划分 ## 01 数据集划分 02 评价指标 03 正则化、偏差和方差 ### 1. 数据集划分 训练集（Training Set）：帮助我们训练模型，简单的说就是通过训练集的数据让我们确定拟合曲线的参数。 验证集（Validation >训练集验证集测试集 三者划分：训练集、验证集、测试集 机器学习：60%，20%，20%；70%，10%，20% 深度学习：98%，1%，1%（假设百万条数据） ## 交叉验证  ## 不平衡数据的处理 SMOTE(Synthetic Minority Over-sampling Technique)算法是过采样中比较常用的一种。算法的思想是合成新的少