1nnoh / 1nnoh.github.io Goto Github PK

https://1nnoh.top/2EQN5PQ/

0x00 Abstract 纽约大学 ZFNet，2013 年 ImageNet 图像分类竞赛冠军模型。对 AlexNet 进行改进的基础上，提出了一系列可视化卷积神经网络中间层特征的方法，并巧妙设置了对照消融实验，从各个角度分析卷积神经网络各层提取的特征及对变换的敏感性 论文：Visualizing and Understanding Convolutional Networks（可视化并理解

https://1nnoh.top/2K8XAGY/

0x00 Abstract Beautiful Soup 是一个可以从 HTML 或 XML 文件中提取数据的 Python 库。它能够通过你喜欢的转换器实现惯用的文档导航，查找，修改文档的方式。Beautiful Soup 会帮你节省数小时甚至数天的工作时间。

https://1nnoh.top/12PWF3V/?

2.2 逻辑回归-part20x04 评估指标以一个例子开始。假设我们有一个汉堡分类器，可以针对图片分类，分为是汉堡，或者不是汉堡。如果我们想知道，这个分类器的效果到底如何？该如何评价呢？

https://1nnoh.top/4NXBKD/

0x00 Abstract Requests 是一个 Python 公认的，优秀的第三方网络爬虫库，可以自动爬取 HTML 页面，自动进行网络请求的提交。所以本次任务首先来了解，学习 Requests 库以及 HTTP 协议。另外，由于Requests 库与 HTTP 协议的方法是一一对应的，所以会穿插着学习，以便更容易理解。

https://1nnoh.top/2ZZ2RHB/

1.3 中文分词 0x00 Abstract 中文分词的目的：对中文句子中的词与词之间加上边界标记，本质就是对中文句子做划分词的边界。 为什么要做中文分词？ 因为英文单词之间是天然分开的，但中文没有 怎么做中文分词？ 基于统计学习的方法 基于机器学习的方法等

https://1nnoh.top/1A9KV19/

2.1 传统机器学习 & 朴素贝叶斯0x00 Abstract机器学习是深度学习的基础，这篇笔记是对机器学习这部分内容的一个开篇。了解什么是机器学习，然后学习一个经典的朴素贝叶斯模型，并运用到文本分类的实践。

https://1nnoh.top/3W8VFN4/

0x00 Abstract从以下角度来认识可解释机器学习： 什么是可解释人工智能？ 学可解释机器学习有什么用？ 如何对传统机器学习、深度学习做可解释性分析？

https://1nnoh.top/3VQT4K6/

0x00 Abstract 为了使网络上获得的数据干净整洁，并且可以为自己的应用所用，我们得想出一些形式来表示应用与网络之间来来往往的数据。最常使用的两种技术就是：XML 和 JSON。

https://1nnoh.top/ET7FEN/

0x00 Abstract 因为实验需要，从 零件库网页版 批量爬取数据集。由于是动态网页，难度比爬取 HTML 中的文字信息大了很多。经过查询资料，决定使用 Selenium 来做这部分的工作。但落地过程中其实涉及许多文档之外的实际问题，也是花了蛮多时间才基本实现爬取需求，稍微记录一下。仅面向实现需求记录，一些 Selenium 的基本操作不多解释，有需要的话可以在 官方文档 学习。整理的可用代

https://1nnoh.top/3E6EVE1/?

2.2 逻辑回归-part10x00 Abstract 回归：假设现在有一些数据点，我们用一条直线对这些点进行拟合（这条直线称为最佳拟合直线），这个拟合的过程就叫做回归。 线性回归：假设因变量和自变量之间是线性关系（拟合出一条直线）。 逻辑回归和线性回归都是广义的线性回归模型的特例。 线性回归只能用于回归问题，逻辑回归则用于分类问题（可由二分类推广至多分类）。 线性回归使用最小二乘法作为参数估计方

https://1nnoh.top/2FSK6BP/

跟着 Coggle 三月份的学习活动 补充一下这方面的技能。恰好最近收集数据集也比较需要这方面的知识。 0x00 内容介绍 爬虫与网络编程基础这部分的入门学习的要解决的问题如下： 对网络编程了解较少，不会从 HTML 中提取信息； 不会爬虫，不会收集数据，也不会部署模型。 而上述问题都是一个合格算法工程师所必备的。因此借助这个活动来入门。

https://1nnoh.top/3H1Z906/

0x00 Abstract CAM 类激活热力图：深度学习可解释性分析、显著性分析的经典之作 论文：Learning Deep Features for Discriminative Localization, CVPR 2016，作者：周博磊 主要贡献：奠定了可解释性分析、显著性分析的基石，在此基础上衍生出了一系列的 CAM 方法。帮助我们打开了深度学习的黑箱子。 CAM 是一篇让人拍案叫

https://1nnoh.top/CGCSR4/

0x00 Abstract 任务内容： 使用任务 1 得到数据使用 gensim 训练词向量 计算与 格力 相似的 Top10 单词 使用词向量完成句子编码（例如单词编码为 128 维度，一个句子包含十个单词为 10128） 对句子编码 10128 进行求均值，转变为 128 维度 扩展：你能使用计算得到的词向量，计算 train.query.txt 和 corpus.tsv 文本的相似度

https://1nnoh.top/3EGCD4S/

矢量语义与编码之词嵌入 0x00 Abstract 上篇笔记中，我们学习了关于文本表征基于词袋模型得到稀疏向量化文本的内容，比如 One-Hot 编码，比如 TF-IDF 编码。本质上来说，词袋模型其实是一种通过统计学方法，将文档中出现的所有词语根据词频等统计指标，转为稀疏向量，从而表达一篇文章的方法。但是，这种稀疏向量的表达会存在一些缺点，比如不考虑语序等等。那么有没有办法得到文本向量化的稠密表