《留学生》专题

1. 前言 在专业的学术论文中，数学公式往往是不可或缺的。在 Word 中，想表达出一个复杂的公式非常繁琐，幸运的是 Markdown 其语法中，支持使用 LaTeX 语法实现在文档中插入数学公式。 环境说明： 考虑到 Markdown 工具之间的不兼容，有的内容直接从页面复制粘贴到本地不会正常显示，大家学习时自己动手写是肯定没问题的。本节所有实例代码及演示效果均使用 Typora 工具完成。 L

Drawing attractive figures is important. When making figures for yourself, as you explore a dataset, it’s nice to have plots that are pleasant to look at. Visualizations are also central to communicat

2.1. 高斯混合模型 2.1.1. 高斯混合 2.1.1.1. 优缺点 GaussianMixture 2.1.1.1.1. 优点 2.1.1.1.2. 缺点 2.1.1.2. 选择经典高斯混合模型中分量的个数 2.1.1.3. 估计算法期望最大化（EM） 2.1.2. 变分贝叶斯高斯混合 2.1.2.1. 估计算法: 变分推断（variational inference） 2.1.2.1.1.

校验者: @STAN,废柴0.1 翻译者: @那伊抹微笑 半监督学习 适用于在训练数据上的一些样本数据没有贴上标签的情况。 sklearn.semi_supervised 中的半监督估计, 能够利用这些附加的未标记数据来更好地捕获底层数据分布的形状，并将其更好地类推到新的样本。 当我们有非常少量的已标签化的点和大量的未标签化的点时，这些算法表现均良好。 <cite>y</cite> 中含有未标记的

译者：片刻 作者: Sasank Chilamkurthy 在本教程中，您将学习如何使用迁移学习来训练您的网络。您可以在 cs231n 笔记 上阅读更多关于迁移学习的信息 引用这些笔记： 在实践中，很少有人从头开始训练整个卷积网络（随机初始化），因为拥有足够大小的数据集是相对罕见的。相反，通常在非常大的数据集（例如 ImageNet，其包含具有1000个类别的120万个图像）上预先训练 ConvN

译者：bat67 最新版会在译者仓库首先同步。 作者：Justin Johnson 这个教程通过自洽的示例介绍了PyTorch的基本概念。 PyTorch主要是提供了两个核心的功能特性： 一个类似于numpy的n维张量，但是可以在GPU上运行 搭建和训练神经网络时的自动微分/求导机制 我们将使用全连接的ReLU网络作为运行示例。该网络将有一个单一的隐藏层，并将使用梯度下降训练，通过最小化网络输出和

聚类和降维：K-Means 聚类，层次聚类，主成分分析（PCA），奇异值分解（SVD）。 我们可以怎样发现一个数据集的底层结构？我们可以怎样最有用地对其进行归纳和分组？我们可以怎样以一种压缩格式有效地表征数据？这都是无监督学习的目标，之所以称之为「无监督」，是因为这是从无标签的数据开始学习的。 我们将在这里探索的两种无监督学习任务是：1）将数据按相似度聚类（clustering）成不同的分组；2）

非参数化模型：KNN、决策树和随机森林。包含交叉验证、超参数调优和集成模型。 非参数学习器 事情变得有点...扭曲了。 我们目前为止涉及的方法，线性回归，对率回归和 SVM ，它们的模型形式是预定义的。与之相反，非参数学习器事先没有特定的模型结构。在训练模型之前，我们不会推测我们尝试习得的函数f的形式，就像之前的线性回归那样。反之，模型结构纯粹由数据定义。 这些模型对于训练数据的形状更加灵活，但是

使用对数几率回归（LR）和支持向量机（SVM）的分类。 分类：预测标签 这个邮件是不是垃圾邮件？贷款者能否偿还它们的贷款？用户是否会点击广告？你的 Fackbook 照片中那个人是谁？ 分类预测离散的目标标签Y。分类是一种问题，将新的观测值分配给它们最有可能属于的类，基于从带标签的训练集中构建的模型。 你的分类的准确性取决于所选的算法的有效性，你应用它的方式，以及你有多少有用的训练数据。 对数几率

RN笔记 一. 常用命令 比如我们希望查看RN的所有历史版本，可以在命令行中输入： npm view react-native versions -json 创建工程并指定版本: react-native init 工程名字 -source react-native@0.55.4 (无效) react-native init 工程名字 --version 0.55.4 在项目中运行npm inta

在备课菜单中，可以添加教案及四类教学活动：练习、问卷、公告、 讨论（注意：只支持网页端备课，手机 APP 无法备课）。 添加教案：教案支持从教案库导入、从校级资源库添加、本地上传三种方式； 如果选择从校级资源库添加，老师可以按照课程或教案两种方式来查找自己需要的教案资源： 添加练习：在备课日期下点击【添加练习】，可以选择【从练习库导入】或【创建练习】： 【创建练习】需要手动录入题目内容，题目不可重

近些年来出现了大量的关于 Git 的文档，教程和文章。我建议你浏览一下这些在线资源： 命令速查表 "Git - the Simple Guide" "Pro Git" ebook

实现汤米猫学说话的demo，即实现变声功能。 开发者说：自己经常来看code4app，看看有没有新的功能代码分享，受益很多，也学了不少东西，在此感谢code4app上能热心分享的开发者，最近要最一个项目，发现code4app上面没有变声方面的代码，在其他途径下，成功完成了此demo，当然很多取之网络，后来发现网络上已经有类似的，不过有延迟，嘻嘻，我优化的还好～～～不过也有不完善，欢迎各位拍砖～ 有

这是一个化学相关的图形化工具，包括一个二维的化学公式编辑器以及化学计算器等。