- 0 相关源码 将结合前述知识进行综合实战，以达到所学即所用。文本情感分类这个项目会将分类算法、文本特征提取算法等进行关联，使大家能够对Spark的具体应用有一个整体的感知与了解。 1 项目总体概况 2 数据集概述 数据集 3 数据预处理 4 文本特征提取 官方文档介绍 提取，转换和选择特征 本节介绍了使用特征的算法，大致分为以下几组：提取：从“原始... 0 相关源码 将结合前述知识进行综合实战，以达到所学即所用。文本情感分类这个项目会将分类算法、文本特征提取算法等进行关联，使大家能够对Spark的具体应用有一个整体的感知与了解。 1 项目总体概况 2 数据集概述 数据集 3 数据预处理 4 文本特征提取 官方文档介绍 提取，转换和选择特征 本节介绍了使用特征的算法，大致分为以下几组：提取：从“原始...
- 0 相关源码 1 k-平均算法(k-means clustering)概述 1.1 回顾无监督学习 ◆ 分类、回归都属于监督学习 ◆ 无监督学习是不需要用户去指定标签的 ◆ 而我们看到的分类、回归算法都需要用户输入的训练数据集中给定一个个明确的y值 1.2 k-平均算法与无监督学习 ◆ k-平均算法是无监督学习的一种 ◆ 它不需要人为指定一个因变量,即标... 0 相关源码 1 k-平均算法(k-means clustering)概述 1.1 回顾无监督学习 ◆ 分类、回归都属于监督学习 ◆ 无监督学习是不需要用户去指定标签的 ◆ 而我们看到的分类、回归算法都需要用户输入的训练数据集中给定一个个明确的y值 1.2 k-平均算法与无监督学习 ◆ k-平均算法是无监督学习的一种 ◆ 它不需要人为指定一个因变量,即标...
- 通过讲解PCA算法的原理，使大家明白降维算法的大致原理，以及能够实现怎么样的功能。结合应用降维算法在分类算法使用之前进行预处理的实践，帮助大家体会算法的作用。 0 相关源码 1 PCA算法及原理概述 1.1 何为降维? ◆ 从高维度变为低维度的过程就是降维 ◆ 例如拍照就是把处在三维空间中的人或物从转换到作为二 维平面的 照片中 ◆ 降维有线性的、也有非线性... 通过讲解PCA算法的原理，使大家明白降维算法的大致原理，以及能够实现怎么样的功能。结合应用降维算法在分类算法使用之前进行预处理的实践，帮助大家体会算法的作用。 0 相关源码 1 PCA算法及原理概述 1.1 何为降维? ◆ 从高维度变为低维度的过程就是降维 ◆ 例如拍照就是把处在三维空间中的人或物从转换到作为二 维平面的 照片中 ◆ 降维有线性的、也有非线性...
- 0 系列文章目录 0.1 基于协同过滤算法的电影推荐系统设计(一) - 项目简介 0.2 基于协同过滤算法的电影推荐系统设计(二) - 推荐系统介绍 ALS是alternating least squares的缩写 , 意为交替最小二乘法,而ALS-WR是alternating-least-squares with weighted-λ -regularizati... 0 系列文章目录 0.1 基于协同过滤算法的电影推荐系统设计(一) - 项目简介 0.2 基于协同过滤算法的电影推荐系统设计(二) - 推荐系统介绍 ALS是alternating least squares的缩写 , 意为交替最小二乘法,而ALS-WR是alternating-least-squares with weighted-λ -regularizati...
- 在WebIDE的terminal里面执行ps -aux > a.txt然后查看a.txt里面是否有WatherOBS，如果没有，在terminal里面执行下面的命令：python /usr/local/bin/Wathcer.py &如果有，则检查下WebIDE的SYNCHRONIZE OBS FILES下面有没有文件没有同步。 在WebIDE的terminal里面执行ps -aux > a.txt然后查看a.txt里面是否有WatherOBS，如果没有，在terminal里面执行下面的命令：python /usr/local/bin/Wathcer.py &如果有，则检查下WebIDE的SYNCHRONIZE OBS FILES下面有没有文件没有同步。
- WebIDE是一个常驻的docker环境给用户使用，是一个独享的环境，供开发人员进行算法开发、代码调试，如果用户3天不使用的话资源会释放，代码本身保存到obs上，不会删除；一次只能跑一个任务；提交训练的时候是从资源池里面申请一个资源给训练任务，训练任务结束后释放资源，所以结果需要保存到obs上进行持久化保存；可以同时并发提交5个训练任务；这2个环境是2个各自独立的环境，相互之间... WebIDE是一个常驻的docker环境给用户使用，是一个独享的环境，供开发人员进行算法开发、代码调试，如果用户3天不使用的话资源会释放，代码本身保存到obs上，不会删除；一次只能跑一个任务；提交训练的时候是从资源池里面申请一个资源给训练任务，训练任务结束后释放资源，所以结果需要保存到obs上进行持久化保存；可以同时并发提交5个训练任务；这2个环境是2个各自独立的环境，相互之间...
- 提交训练任务后，如果想看output目录下的结果，如果使用WebIDE，点击左边NAIE图标 -> Job Explorer -> 对应任务的output目录。如果使用编辑器，点击最左边的3个图标最后一个，如下图红框处，即“任务目录”，点开对应的训练的任务就可以看到每个任务目录下的output目录，这个地方后续会优化，直接在WebIDE中可以看到。 提交训练任务后，如果想看output目录下的结果，如果使用WebIDE，点击左边NAIE图标 -> Job Explorer -> 对应任务的output目录。如果使用编辑器，点击最左边的3个图标最后一个，如下图红框处，即“任务目录”，点开对应的训练的任务就可以看到每个任务目录下的output目录，这个地方后续会优化，直接在WebIDE中可以看到。
- 如果在特征工程中安装依赖的库，在cell中执行!pip install <库名>进行安装；如果在WebIDE中安装依赖的库，在算法代码的reqirements.txt中配置依赖的库名，如果需要指定版本号也可以配置版本号，如pandas==1.0.1，然后点击右上角的第一个图标：NAIE Install Reqirements就可以安装升级；如果在训练中安装/升级依赖... 如果在特征工程中安装依赖的库，在cell中执行!pip install <库名>进行安装；如果在WebIDE中安装依赖的库，在算法代码的reqirements.txt中配置依赖的库名，如果需要指定版本号也可以配置版本号，如pandas==1.0.1，然后点击右上角的第一个图标：NAIE Install Reqirements就可以安装升级；如果在训练中安装/升级依赖...
- 一、题目描述 在n>=2个点的集合Q中寻找最近点对。 “最近”是指通常意义下的欧几里得距离：即点p1（x1，y1）和p2（x2，y2）之间的距离为：sqrt（（x1-x2）2 +（y1-y2）2）。 二、算法设计与分析 算法主要思想就是分治。 情况1：点数小于等于二时：直接计算，求该两点之间的距离。 情况2：集合中有三个点：两两比较，求三个点... 一、题目描述 在n>=2个点的集合Q中寻找最近点对。 “最近”是指通常意义下的欧几里得距离：即点p1（x1，y1）和p2（x2，y2）之间的距离为：sqrt（（x1-x2）2 +（y1-y2）2）。 二、算法设计与分析 算法主要思想就是分治。 情况1：点数小于等于二时：直接计算，求该两点之间的距离。 情况2：集合中有三个点：两两比较，求三个点...
- YOLOv3：深度学习之计算机视觉神经网络Yolov3-5clessses训练自己的数据集全程记录(第二次) 目录 训练记录 训练记录 YOLOv3：深度学习之计算机视觉神经网络Yolov3-5clessses训练自己的数据集全程记录(第二次) 目录 训练记录 训练记录
- Problem Description 集训进行了将近2个礼拜，这段时间以恢复性训练为主，我一直在密切关注大家的训练情况，目前为止，对大家的表现相当满意，首先是绝大部分队员的训练积极性很高，其次，都很遵守集训纪律，最后，老队员也起到了很好的带头作用，这里特别感谢为这次DP专题练习赛提供题目和测试数据的集训队队长xhd同学. 特别高兴的是，跟随集训队训练的一批新队员表... Problem Description 集训进行了将近2个礼拜，这段时间以恢复性训练为主，我一直在密切关注大家的训练情况，目前为止，对大家的表现相当满意，首先是绝大部分队员的训练积极性很高，其次，都很遵守集训纪律，最后，老队员也起到了很好的带头作用，这里特别感谢为这次DP专题练习赛提供题目和测试数据的集训队队长xhd同学. 特别高兴的是，跟随集训队训练的一批新队员表...
- Problem Description 有一只经过训练的蜜蜂只能爬向右侧相邻的蜂房，不能反向爬行。请编程计算蜜蜂从蜂房a爬到蜂房b的可能路线数。 其中，蜂房的结构如下所示。 Input 输入数据的第一行是一个整数N,表示测试实例的个数，然后是N 行数据，每行包含两个整数a和b( 0 < a < b < 50 )。 Output 对于每个测试实例，请输出蜜... Problem Description 有一只经过训练的蜜蜂只能爬向右侧相邻的蜂房，不能反向爬行。请编程计算蜜蜂从蜂房a爬到蜂房b的可能路线数。 其中，蜂房的结构如下所示。 Input 输入数据的第一行是一个整数N,表示测试实例的个数，然后是N 行数据，每行包含两个整数a和b( 0 < a < b < 50 )。 Output 对于每个测试实例，请输出蜜...
- 文章目录 今天的面试题第1题：python2和python3的range(100)的区别第2题：在Python中读取大文件第3题：如何避免转义，给字符串加哪个字母表示原始字符串？第4题：python中断言方法举例？第5题：列出python中可变数据类型和不可变数据类型，并简述原理 写在后面 今天的面试题 第1题：python2和python3的ran... 文章目录 今天的面试题第1题：python2和python3的range(100)的区别第2题：在Python中读取大文件第3题：如何避免转义，给字符串加哪个字母表示原始字符串？第4题：python中断言方法举例？第5题：列出python中可变数据类型和不可变数据类型，并简述原理 写在后面 今天的面试题 第1题：python2和python3的ran...
- Python OpenCV 365 天学习计划，与橡皮擦一起进入图像领域吧。 Python OpenCV 基础知识铺垫Sobel 算子和 Scharr 算子Sobel 算子说明与使用Scharr 算子说明与使用 laplacian 算子橡皮擦的小节 基础知识铺垫 图像梯度是计算图像变化速度的方法，对于图像边缘部分，灰度值如果变化幅度较大，... Python OpenCV 365 天学习计划，与橡皮擦一起进入图像领域吧。 Python OpenCV 基础知识铺垫Sobel 算子和 Scharr 算子Sobel 算子说明与使用Scharr 算子说明与使用 laplacian 算子橡皮擦的小节 基础知识铺垫 图像梯度是计算图像变化速度的方法，对于图像边缘部分，灰度值如果变化幅度较大，...
- 橡皮擦，一个逗趣的互联网高级网虫，新的系列，让我们一起 Be More Pythonic。 滚雪球学 Python 第二轮 已完成的文章清单 七、函数装饰器7.1 装饰器基本使用7.2 对带参数的函数进行装饰7.3 多个装饰器7.4 functools.wraps7.5 基于类的装饰器7.6 内置装饰器7.6.1 @property7.6.2 @... 橡皮擦，一个逗趣的互联网高级网虫，新的系列，让我们一起 Be More Pythonic。 滚雪球学 Python 第二轮 已完成的文章清单 七、函数装饰器7.1 装饰器基本使用7.2 对带参数的函数进行装饰7.3 多个装饰器7.4 functools.wraps7.5 基于类的装饰器7.6 内置装饰器7.6.1 @property7.6.2 @...
上滑加载中
推荐直播
-
华为云码道 × 仓颉编程：工程化AI编码探索2026/05/27 周三 19:00-21:00
刘俊杰-华为云仓颉语言专家/李炎-华为云码道技术专家/王智鹏-OpenCangjie开源社区发起人
本场直播围绕华为云仓颉语言与华为云码道的深度结合，展示华为云智能编程从零基础到高效落地的完整生态能力。以华为云码道为引擎，仓颉语言为载体，带给大家日常提效、趣味创新到极速量产的开发体验。
回顾中
热门标签