动手学数据分析第一章：数据载入及初步观察载入数据任务一：导入numpy和pandasimportnumpyasnpimportpandasaspd任务二：载入数据train_data=pd.read_csv("train.csv")train_data.head(5)train_data=pd.read_table("train.csv")train_data.head(5)这两个读取方式的区别在于read_csv读取的是默认分割符为逗号，而read_csv读取默认分隔符为制表符。任务三：每1000行为一个数据模块，逐块读取chunker=pd.read_csv("train.csv",chu
动手学数据分析第一章：数据载入及初步观察载入数据任务一：导入numpy和pandasimportnumpyasnpimportpandasaspd任务二：载入数据train_data=pd.read_csv("train.csv")train_data.head(5)train_data=pd.read_table("train.csv")train_data.head(5)这两个读取方式的区别在于read_csv读取的是默认分割符为逗号，而read_csv读取默认分隔符为制表符。任务三：每1000行为一个数据模块，逐块读取chunker=pd.read_csv("train.csv",chu
这章感觉没什么需要特别记住的东西，感觉忘了回来翻一翻代码就好。3.1线性回归3.1.1线性回归的基本元素1.线性模型用符号标识的矩阵\(\boldsymbol{X}\in\mathbb{R}^{n\timesd}\)可以很方便地引用整个数据集中的\(n\)个样本。其中\(\boldsymbol{X}\)地每一行是一个样本，每一列是一种特征。对于特征集合\(\boldsymbol{X}\)，预测值\(\hat{\boldsymbol{y}}\in\mathbb{R}^n\)可以通过矩阵-向量乘法表示为\[\hat{\boldsymbol{y}}=\boldsymbol{Xw}+b\]然后求和的过
这章感觉没什么需要特别记住的东西，感觉忘了回来翻一翻代码就好。3.1线性回归3.1.1线性回归的基本元素1.线性模型用符号标识的矩阵\(\boldsymbol{X}\in\mathbb{R}^{n\timesd}\)可以很方便地引用整个数据集中的\(n\)个样本。其中\(\boldsymbol{X}\)地每一行是一个样本，每一列是一种特征。对于特征集合\(\boldsymbol{X}\)，预测值\(\hat{\boldsymbol{y}}\in\mathbb{R}^n\)可以通过矩阵-向量乘法表示为\[\hat{\boldsymbol{y}}=\boldsymbol{Xw}+b\]然后求和的过
学习操作系统原理最好的方法是自己写一个简单的操作系统。GrapeOS操作系统之前一直运行在模拟器和虚拟机中，今天我们来演示一下GrapeOS在真机上运行的情况。一、物理机真机今天演示用的真机是一台ThinkPad笔记本电脑，照片如下：二、开机桌面按电脑的电源按钮开机，由于GrapeOS非常小，很快就进入了桌面，照片如下：三、资源管理器用鼠标双击桌面上的电脑图标，打开了资源管理器，照片如下：四、记事本在资源管理器中双击“NOTEPAD.EXE”打开记事本程序，随便输入一些字符并保存，照片如下：演示结束。我们可以看到，GrapeOS在真机上的操作和之前在虚拟机上的操作一样。为了更直观的了解，推荐观
学习操作系统原理最好的方法是自己写一个简单的操作系统。GrapeOS操作系统之前一直运行在模拟器和虚拟机中，今天我们来演示一下GrapeOS在真机上运行的情况。一、物理机真机今天演示用的真机是一台ThinkPad笔记本电脑，照片如下：二、开机桌面按电脑的电源按钮开机，由于GrapeOS非常小，很快就进入了桌面，照片如下：三、资源管理器用鼠标双击桌面上的电脑图标，打开了资源管理器，照片如下：四、记事本在资源管理器中双击“NOTEPAD.EXE”打开记事本程序，随便输入一些字符并保存，照片如下：演示结束。我们可以看到，GrapeOS在真机上的操作和之前在虚拟机上的操作一样。为了更直观的了解，推荐观
2.4微积分2.4.3梯度梯度是一个多元函数所有变量偏导数的连接。具体而言：设函数\(f:\mathbb{R}^n\rightarrow\mathbb{R}\)的输入是一个\(n\)维向量\(\boldsymbol{x}=[x_1,x_2,\cdots,x_n]^T\)，输出是一个标量。函数\(f(\boldsymbol{x})\)相对于\(\boldsymbol{x}\)的梯度是一个包含\(n\)个偏导数的向量：\[\nabla_xf(\boldsymbol{x})=[\frac{\partialf(\boldsymbol{x})}{\partialx_1},\frac{\partialf(
2.4微积分2.4.3梯度梯度是一个多元函数所有变量偏导数的连接。具体而言：设函数\(f:\mathbb{R}^n\rightarrow\mathbb{R}\)的输入是一个\(n\)维向量\(\boldsymbol{x}=[x_1,x_2,\cdots,x_n]^T\)，输出是一个标量。函数\(f(\boldsymbol{x})\)相对于\(\boldsymbol{x}\)的梯度是一个包含\(n\)个偏导数的向量：\[\nabla_xf(\boldsymbol{x})=[\frac{\partialf(\boldsymbol{x})}{\partialx_1},\frac{\partialf(
动手学强化学习（三）：动态规划算法（DynamicProgramming）1.简介2.悬崖漫步环境3.策略迭代算法3.1策略评估3.2策略提升3.3策略迭代算法4.价值迭代算法5.冰湖环境6.小结7.扩展7.1策略迭代7.2价值迭代文章转于伯禹学习平台-动手学强化学习（强推）更多Ai资讯：公主号AiCharm与君共勉，一起学习。1.简介 动态规划（dynamicprogramming）是程序设计算法中非常重要的内容，能够高效解决一些经典问题，例如背包问题和最短路径规划。动态规划的基本思想是将待求解问题分解成若干个子问题，先求解子问题，然后从这些子问题的解得到目标问题的解。动态规划会保存已解决
动手学强化学习（三）：动态规划算法（DynamicProgramming）1.简介2.悬崖漫步环境3.策略迭代算法3.1策略评估3.2策略提升3.3策略迭代算法4.价值迭代算法5.冰湖环境6.小结7.扩展7.1策略迭代7.2价值迭代文章转于伯禹学习平台-动手学强化学习（强推）更多Ai资讯：公主号AiCharm与君共勉，一起学习。1.简介 动态规划（dynamicprogramming）是程序设计算法中非常重要的内容，能够高效解决一些经典问题，例如背包问题和最短路径规划。动态规划的基本思想是将待求解问题分解成若干个子问题，先求解子问题，然后从这些子问题的解得到目标问题的解。动态规划会保存已解决
