×
思维导图备注
AI算法工程师手册
首页
小程序
下载
阅读记录
书签管理
我的书签
添加书签
移除书签
编辑文档
4.累加器和广播变量
来源 1
浏览
308
扫码
分享
2020-06-07 17:55:14
累加器、广播变量
广播变量用于高效的分发较大的对象
上一篇:
下一篇:
介绍
工具
pandas 使用指南
一、基本数据结构
1. Series
2. Index
3. MultiIndex
4. DataFrame
十、 DataFrame 绘图
十一、 移动窗口函数
十二、 数据加载和保存
1. 文本文件
2. Json
3. 二进制文件
4. Excel 文件
5. HTML 表格
6. SQL
二、 内部数据结构
三、 下标存取
1. [ ] 操作符
2. loc/iloc/ix 存取器
3. at/iat 存取器
4. query 方法
5. 多级索引
6. 整数 label
四、 运算
1. 数值运算
2. 排序
3. 统计
五、变换
1. 索引和轴的变换
2. 合并数据
3. 索引旋转
六、数据清洗
1. 移除重复数据
2. apply
3. 缺失数据
4. 离散化
七、 字符串操作
八、 聚合与分组
1. 分组
2. GroupBy对象
3. 分组级运算
4. 透视表和交叉表
九、时间序列
1. Python 中的时间
2. 时间点 Timestamp
3. 时间段 Period
4. DatetimeIndex
5. PeriodIndex
6. resample 和频率转换
matplotlib 使用指南
一、matplotlib配置
二、 matplotlib Artist
1. container Artist:
2. primitive
三、基本概念
1. backend
2. 交互式模式
3. matplotlib的颜色
4. matplotlib.cm
5. matplotlib.colors
6. matplotlib.colorbar
四、布局
1. 简单布局
2. 使用 pyplot.subplot2grid() 函数
3. 使用 GridSpec 和 SubplotSpec
五、 Path
六、 path effect
七、坐标变换
1. 用户的 data 坐标系
2. Axes 坐标系
3. 混合坐标系
4. 利用坐标变换制造阴影效果
5. 直角坐标系、对数坐标系、极坐标系
八、 3D 绘图
九、技巧
scipy 使用指南
一、 常数和特殊函数
二、 拟合与优化
三、线性代数
四、 统计
1. 连续随机变量
2. 离散随机变量
3. 核密度估计
4. 常见分布
五、数值积分
六、 稀疏矩阵
lightgbm使用指南
一、安装
二、调参
2.1 调参指导
2.2 参数
三、进阶
四、API
4.1 数据接口
4.2 模型接口
4.4 绘图API
4.5 Booster API 转换
五、Docker
numpy 使用指南
一、 ndarray
1. ndarray 对象的内存结构
2. 数组的创建
3. 数组的索引
4. 操作多维数组
5.打印数组
6. Nan 和无穷大
二、 ufunc 函数
1. 广播
2. 四则运算
3. 比较运算
4. 逻辑运算
5. 位运算
6. 自定义 ufunc 函数
7. ufunc 对象的方法
8. 数学函数
三、 函数库
1. 随机数库
2. 统计量
3. 分段函数
4. 多项式
5. 内积、外积、张量积
6. 线性代数
四、数组的存储和加载
1. 二进制
2. 文本文件
xgboost使用指南
一、安装
二、调参
2.1 调参指导
2.2 参数
三、外存计算
四、 GPU计算
五、单调约束
六、 DART booster
七、Python API
7.1 数据接口
7.2 模型接口
7.3 绘图API
CRF++
一、安装
二、使用
三、Python接口
四、常见错误
scikit-learn
3.监督学习模型
一、线性模型
二、支持向量机
三、贝叶斯模型
四、决策树
五、KNN
六 、AdaBoost
七、梯度提升树
八、Random Forest
6.半监督学习模型
1.预处理
一、特征处理
二、特征选择
三、字典学习
四、PipeLine
2.降维
一、PCA
二、MDS
三、Isomap
四、LocallyLinearEmbedding
五、FA
六、FastICA
七、t-SNE
7.隐马尔可夫模型
一、Hmmlearn
二、seqlearn
5.聚类模型
一、KMeans
二、DBSCAN
三、MeanShift
四、AgglomerativeClustering
五、BIRCH
六、GaussianMixture
七、SpectralClustering
4.模型评估
一、数据集切分
二、性能度量
三、验证曲线 && 学习曲线
四、超参数优化
spark
2.rdd使用
一、概述
二、创建 RDD
三、转换操作
四、行动操作
五、其他方法和属性
六、持久化
七、分区
八、混洗
1.基础概念
3.dataframe使用
一、概述
二、SparkSession
2.1 属性
2.2 方法
三、DataFrame 创建
3.1 从列表创建
3.2 从 RDD 创建
3.3 从 pandas.DataFrame 创建
3.4 从数据源创建
3.5 从 Hive 表创建
四、 DataFrame 保存
4.1 通用保存
4.2 专用保存
五、DataFrame
5.1 属性
5.2 方法
5.2.3 其它方法
六、Row
七、Column
八、GroupedData
九、functions
9.1 数学函数
9.2 字符串函数
9.3 日期函数
9.4 聚合函数
9.5 逻辑与按位函数
9.6 排序、拷贝
9.7 窗口函数
9.8 其它
4.累加器和广播变量
一、累加器
二、广播变量
数学基础
2.概率论基础
一、概率与分布
二、期望和方差
三、大数定律及中心极限定理
五、常见概率分布
六、先验分布与后验分布
七、信息论
八、其它
1.线性代数基础
一、基本知识
二、向量操作
三、矩阵运算
四、特殊函数
4.蒙特卡洛方法与 MCMC 采样
一、蒙特卡洛方法
二、马尔可夫链
三、MCMC 采样
3.数值计算基础
一、数值稳定性
二、梯度下降法
三、二阶导数与海森矩阵
四、牛顿法
五、拟牛顿法
六、 约束优化
深度学习
6.循环神经网络
一、RNN计算图
二、训练算法
三、长期依赖
四、常见 RNN 变种
8.词向量
一、向量空间模型 VSM
二、LSA
三、Word2Vec
四、GloVe
五、FastText
六、ELMo
七、变种
13.图神经网络
一、GNN
二、GCN
三、Fast GCN
四、Semi-Supervised GCN
五、分子指纹GCN
六、GGS-NN
七、PATCHY-SAN
八、GraphSage
九、GAT
11.Graph Embedding
一、DeepWalk
十、EOE
十一、metapath2vec
十二、GraphGAN
十三、struc2vec
十四、GraphWave
十五、NetMF
十六、NetSMF
二、LINE
三、GraRep
四、TADW
五、DNGR
六、Node2Vec
七、WALKLETS
八、SDNE
九、CANE
0.深度学习简介
一、 介绍
二、历史
12.Graph Embedding(续)
十七、PTE
十八、HNE
十九、AANE
2.反向传播算法
一、链式法则
二、反向传播
三、算法实现
四、自动微分
5.1.CNN之图片分类
一、LeNet
二、AlexNet
三、VGG-Net
四、Inception
五、ResNet
六、ResNet 变种
七、SENet
八、 DenseNet
九、小型网络
10.神经网络 CTR 预估模型
一、DSSM
十、xDeepFM
十一、ESMM
十二、DIN
十三、DIEN
十四、DSIN
十五、DICM
二、FNN
三、PNN
四、DeepCrossing
五、Wide&Deep
六、DCN
七、DeepFM
八、NFM
九、AFM
9.传统 CTR 预估模型
一、LR 模型
二、POLY2 模型
三、FM模型
四、FFM模型
五、GBDT-LR 模型
六、FTRL模型
七、LS-PLM 模型
4.最优化基础
一、代价函数
十、Normalization
十一、Online Learning
二、神经网络最优化挑战
三、 mini-batch
四、基本优化算法
五、自适应学习率算法
六、二阶近似方法
七、共轭梯度法
八、优化策略和元算法
九、参数初始化策略
7.Transformer
一、Transformer
二、Universal Transformer
三、Transformer XL
四、GPT
五、BERT
六、ERNIE
七、XLNet
八、MT-DNN
九、BERT 扩展
5.卷积神经网络
一、卷积运算
二、卷积层、池化层
三、基本卷积的变体
四、应用
五、 历史和现状
15.工程实践指导原则
1.深度前馈神经网络
一、基础
二、损失函数
三、输出单元
四、隐单元
五、结构设计
六、历史小记
14.传统推荐算法
3.正则化
一、参数范数正则化
十、其它相关
二、显式约束正则化
三、数据集增强
四、噪声鲁棒性
五、早停
六、参数相对约束
七、dropout
八、对抗训练
九、正切传播算法
统计学习
7.梯度提升树
一、提升树
二、xgboost
三、LightGBM
15.隐马尔可夫模型
一、隐马尔可夫模型HMM
二、 HMM 基本问题
三、 最大熵马尔科夫模型MEMM
13.EM算法
一、示例
二、EM算法原理
三、EM算法与高斯混合模型
四、EM 算法与 kmeans 模型
五、EM 算法的推广
18.主题模型
一、Unigram Model
二、pLSA Model
三、LDA Model
四、LDA优化
五、sentence-LDA
六、模型讨论
4.决策树
一、 原理
二、 特征选择
三、生成算法
四、剪枝算法
五、CART 树
六、连续值、缺失值处理
七、多变量决策树
3.朴素贝叶斯
一、贝叶斯定理
二、朴素贝叶斯法
三、半朴素贝叶斯分类器
四、其它讨论
14.最大熵算法
一、最大熵模型MEM
二、分类任务最大熵模型
三、最大熵的学习
0.机器学习简介
一、基本概念
二、监督学习
三、机器学习三要素
1.线性代数基础
一、线性回归
二、广义线性模型
三、对数几率回归
四、线性判别分析
五、感知机
6.集成学习
一、集成学习误差
二、 Boosting
三、Bagging
四、集成策略
五、多样性分析
8.特征工程
一、缺失值处理
二、特征编码
三、数据标准化、正则化
四、特征选择
五、稀疏表示和字典学习
六、多类分类问题
七、类别不平衡问题
16.概率图与条件随机场
一、概率图模型
二、贝叶斯网络
三、马尔可夫随机场
四、条件随机场 CRF
10.降维
一、维度灾难
二、主成分分析 PCA
三、核化线性降维 KPCA
四、流形学习
五、度量学习
六、概率PCA
七、独立成分分析
八、t-SNE
九、LargeVis
17.边际概率推断
一、精确推断
二、近似推断
5.knn
一、k 近邻算法
二、 kd树
11.聚类
一、性能度量
二、原型聚类
三、密度聚类
四、层次聚类
五、谱聚类
9.模型评估
一、泛化能力
二、过拟合、欠拟合
三、偏差方差分解
四、参数估计准则
五、泛化能力评估
六、训练集、验证集、测试集
七、性能度量
七、超参数调节
八、传统机器学习的挑战
12.半监督学习
一、生成式半监督学习方法
二、半监督 SVM
三、图半监督学习
四、基于分歧的方法
五、半监督聚类
六、 总结
2.支持向量机
一、 线性可分支持向量机
二、线性支持向量机
三、非线性支持向量机
四、支持向量回归
五、SVDD
六、序列最小最优化方法
七、其它讨论
暂无相关搜索结果！
本文档使用
BookStack
构建
×
分享，让知识传承更久远
×
文章二维码
手机扫一扫，轻松掌上读
×
文档下载
请下载您需要的格式的文档，随时随地，享受汲取知识的乐趣！
PDF
文档
EPUB
文档
MOBI
文档
×
微信小程序阅读
微信扫一扫，知识掌上学
×
书签列表
×
阅读记录
阅读进度:
0.00%
(
0/0
)
重置阅读进度
我的书签
添加书签
移除书签
