台部落CYJ_fightman

1、Mac下打開多個終端的方法 1.焦點在終端上（使用鼠標點擊下終端）,使用快捷鍵command+N 即可得到另一個終端界面（如果現在光標的焦點在瀏覽器上，那麼就是新打開一個瀏覽器窗口）； 2.光標的焦點在終端上，

2020-06-11 05:44:15

參考： https://www.imooc.com/video/14403 https://blog.csdn.net/zmx729618/article/details/71159225 https://www.jianshu.

2020-06-11 05:44:15

1.SVM：任意點到超平面的距離公式 2.幾種範數的簡單介紹 3.一個向量在另一個向量上的投影：向量a在向量b上的投影長度是a*b/|b| 4.梯度下降總結 5.最小二乘法總結 6.超平面的理解 7.貝葉斯定理總結 8.極大似然估

2020-06-11 05:44:15

Spark是Scala寫的，是運行在JVM環境上，需要java7以上；如果要安裝python API,則要安裝python 2.6或者python3.4以上; 搭建Spark不需要Hadoop 集羣，如果已經有hadoop集羣，

2020-06-11 05:44:05

1、安裝python 官網https://www.python.org/下載python3.7，直接雙擊安裝包進行安裝，然後配置系統環境變量的path變量，添加 C:\install\Python\Python37 和 C:\i

2018-12-26 23:55:57

方法1: vim /etc/profile 或 sudo vim /etc/profile 並使之生效 source /etc/profile 無效的話可以再重啓一下終端方法2: ./.bash_profile sourc

2018-11-28 13:00:16

在機器學習的算法評估中，尤其是分類算法評估中，我們經常聽到精確率(precision)與召回率(recall)，ROC曲線與PR曲線這些概念，那這些概念到底有什麼用處呢？首先，我們需要搞清楚幾個拗口的概念： 1. TP, FP, TN

2018-11-28 13:00:16

在求解機器學習算法的模型參數，即無約束優化問題時，梯度下降（Gradient Descent）是最常採用的方法之一，另一種常用的方法是最小二乘法。這裏就對梯度下降法做一個完整的總結。 1.梯度在微積分裏面，對多元函數的參數求∂偏導數

2018-11-20 06:03:12

交叉驗證是在機器學習建立模型和驗證模型參數時常用的辦法。交叉驗證，顧名思義，就是重複的使用數據，把得到的樣本數據進行切分，組合爲不同的訓練集和測試集，用訓練集來訓練模型，用測試集來評估模型預測的好壞。在此基礎上可以得到多組不同的訓練集

2018-11-20 06:03:12

最小二乘法是用來做函數擬合或者求函數極值的方法,在機器學習，尤其是迴歸模型中，經常可以看到最小二乘法的身影，這裏對最小二乘法做一個小結。 1.最小二乘法的原理與要解決的問題最小二乘法，原理的一般形式很簡單，形式如下式：

2018-11-20 06:03:12

第2章感知機 1.SVM：任意點到超平面的距離公式:https://blog.csdn.net/wzx479/article/details/83143280?utm_source=blogxgwz9 2.幾種範數的簡單介紹：htt

2018-11-08 01:04:22

1.map和mapPartitions函數的區別： mapPartitions函數和map函數類似，只不過映射函數的參數由RDD中的每一個元素變成了RDD中每一個分區的迭代器。如果在映射的過程中需要頻繁創建額外的對象，使用mapPar

2018-10-20 05:58:16

https://www.jianshu.com/p/ab8e79220414

2018-10-20 05:58:16

先過一下定義： map()是將函數用於RDD中的每個元素，將返回值構成新的RDD。 flatmap()是將函數應用於RDD中的每個元素，將返回的迭代器的所有內容構成新的RDD,這樣就得到了一個由各列表中的元素組成的RDD,而不是一個列

2018-10-13 05:27:22

最近滴滴實習事情比較多，先把目錄列出來，國慶假期再好好補充一下內容，都是乾貨！另外，有需要內推滴滴的，可以找我，實習生和正式員工都可以，技術崗和行政崗都可以。這次實習大概投了二十家公司（實習僧），全部是算法實習崗，偏機器學習和數據

2018-09-30 05:35:21