原创 Redis在Rails中的應用實例

Redis在Rails中的應用實例 Redis是一個非常快速的,原子性的key-value存儲。它允許字符串,集合,排序集合,列表和散列存儲。 Redis把數據持久化在RAM中,很像Memcached但又不全是Memcached的

原创 Vmware CentOS虛擬機網絡初始設置

問題描述 在使用Vmware虛擬64位CentOS 7的過程中,每次新創建一個虛擬機後(網絡設置爲NAT模式),會發現網絡不可用,使用ping後會出現unknown host錯誤或者是network is unreachable等

原创 從一階線性模型到FFM

前言 說到CTR,CVR預估,最近幾年無論是kaggle比賽,還是推薦算法、計算廣告中,使用FFM模型可以是一種標準通用的解決方案,因爲傳統的模型在遇到離散的類別特徵時,一般都是想方設法將其連續化,如做Id Embedding等,而F

原创 Sequential Monte Carlo Methods (SMC) 序列蒙特卡洛/粒子濾波/Bootstrap Filtering

Problem Statement 我們考慮一個具有馬爾可夫性質、非線性、非高斯的狀態空間模型(State Space Model):對於一個時間序列上的觀測結果{yt,t∈N}\{ y_t , t \in N \}{yt​,t∈N}

原创 Python numpy中的對象傳遞問題

Python numpy在slide的過程中也會有對象傳遞,也就是地址傳遞,並不是直接copy過去,這個問題困擾我一天了,詳情見下例,c數組中的第一個元素隨着第二個元素的增加而改變了. 解決方案是用c.append(np.array(

原创 進化策略優化算法CEM(Cross Entropy Method)

1. 進化策略與遺傳算法 進化策略算法(Evolutionary Strategies,ES)是一種基於進化理論的算法,通過適者生存的自然法則來淘汰和篩選樣本,目的是獲得更好的樣本(參數),與遺傳算法一樣,它也是通過參數擾動來探索更好的解

原创 [機器學習]邏輯迴歸公式推導及其梯度下降法的Python實現

一般來說,二項邏輯斯諦迴歸模型是一個二分類判別模型,由條件概率分佈P(Y|X)P(Y|X) 表示,隨機變量XX 爲實數,YY 取值0或者1。我們通過比較P(Y=1|x)P(Y=1|x) 和P(Y=0|x)P(Y=0|x) 值大小來判斷給定

原创 變分自動編碼機(VAE)理解和實現(Tensorflow)

你需要知道的: 自動編碼機Auto-Encoder (AE)由兩部分encoder和decoder組成,encoder輸入x數據,輸出潛在變量z,decoder輸入z然後輸出一個x’,目的是讓x’與x的分佈儘量一致,當兩者完全一樣時,中

原创 (Neural Turning Machine)神經圖靈機理解和pytorch實現

一般的神經網絡不具有記憶功能,輸出的結果只基於當前的輸入;而LSTM網絡的出現則讓網絡有了記憶:能夠根據之前的輸入給出當前的輸出。但是,LSTM的記憶程度並不是那麼理想,對於比較長的輸入序列,LSTM的最終輸出只與最後的幾步輸入有關,也就

原创 深度強化學習彙總

從多臂賭博機問題到強化學習 多臂賭博機,每次投幣後只能選擇按下一個臂,這個臂會有一定的概率給出獎勵,但是我們並不知道每個臂給獎勵的概率分佈,那麼如何獲得最大收益呢?我們有兩種策略,探索和利用, 探索是把所有的機會均分給每個臂,根據歷史獲得

原创 Heroku部署Rails應用流程

1.創建Heroku賬號以及Heroku app 2.將Heroku app與自己Github下的的項目進行連接 4.下載配置Heroku CLI命令行工具 5.在本機終端中使用heroku login命令行登陸,會要求heroku的賬號

原创 Git超級傻瓜教程[快速創建Git遠程項目並上傳本地代碼]

這裏我給出一個如何快速創建Git遠程項目並上傳本地代碼的教程 前提條件 註冊並登錄了Github 本地安裝了git工具(Ubantu系統安裝 sudo apt-get install git) Step 1 在github上創建新的遠

原创 ssh反向代理實現NAT內網穿透[ssh版teamviewer]

由於實驗室服務器沒有公網IP,如果在校外網的話只能通過teamviewer遠程桌面連接,然而teamviewer的數據傳輸是基於圖像的,反應太慢了,所以一直在尋找ssh版的teamviewer,經過谷歌,發現只需要一臺公網服務器作爲中轉站

原创 機器學習和數據挖掘算法面試知識點

機器學習算法 決策樹(DT) ID3: 基於信息增益的大小來逐層確定分類的特徵。我們知道信息量的增加能消除對事件的不確定性,因此我們每次選擇信息增益大的特徵作爲分類特徵, 表示引入此特徵後,信息量增加最多,能把對事件的不確定性降爲最低,

原创 [強化學習]區分Model-free和Model-based方法

強化學習方法分爲Model-free和Model-based方法,那麼這兩種方法的區別在哪: 首先我們定義強化學習中的馬爾可夫決策過程MDP,用四元組表示<S,A,R,T><S,A,R,T> : SS :環境的狀態空間 AA :agen