今天北大出入校改成自动报备了，本科同学们在约饭，我说我在坐牢去不了。 我想起上周中秋节，老师说出校只能当天去当天回，在外过夜需要自费隔离三天，可能是担心我半夜着凉。看了眼怀密线每晚6点的末班车，毅然鸽了同学。假期一结束，又说在外过夜不用隔离了。 能知道中秋节能回家这个消息，还是某个微信群里看到的。该群有段时间一直在锐评学校的出入校政策，后来有几个群友被老师谈话了。现在群已经没了，没准不是学校要求解散的。 倒也不是不能出校，3个星期之前我出了一次，不过是被救护车拉走的，170块钱不知道什么时候能报销。疯狂星期四那天，不知道怎么想的，我在怀柔医院点了一顿麦当劳。 国科大企业微信的疫情防控里需要每日上报，我每次填的都是“当天住在校外”、“昨日没做核酸”，没人理我。当你试图叛逆的时候，没人在乎才是最尴尬的。就在我心灰意冷进教学楼的时候，忘了扫健康码，被工作人员追了10米，这才稍微安心一点。 既然大学生风险这么高，不如改成网课，毕竟还要麻烦老师和其他工作人员每天进出学校，怕传染给他们的家人。 其实说是想出校，来回一趟5、6个小时，周末我也懒得回。不适应这种“非必要不出校”的生活罢了， ...

支持向量机总体是由一个合页损失函数和一个核函数组成 合页损失函数 由于函数形状像一个合页，故命合页损失函数，下图为合页损失函数的图形。 二分类问题求解分为三个步骤，第一步为定义函数 \[ g(x)= \begin{cases} f(x)>0, & \text {output= +1} \\ f(x)<0, & \text{output= -1} \end{cases} \] 上述定义的函数，其输出由f(x)决定，当f(x)大于零时，输出为+1，当f(x)小于零时，输出为-1。第二步是通过损失函数判断函数的好坏。我们定义损失函数如下： \[ L(f)=\sum_nI(g(x^n)\not \neq \hat y^n) \] \(x^n\)表示训练集中第n个数据，I代表指示函数，当它的输入为True的时候，输出1；否则输出0。也就是说，当我们的函数g预测的结果和实际结果一样的时候就没有损失，不一样的时候才有损失。但是这个损失函数是不可微分的，就无法用梯度下降的方法来优化。这时我们用另一个近似的函数来表示： \[ L(f)=\s ...

接着上篇博客继续，我们发现，概率生成模型最终推导函数，其本质还是寻找参数w和b，所以可以设置一个函数，直接来寻找最优的w和b \[ f_{w,b}(x)=P_{w,b}(C_1|x)=\sigma(z)\\ \sigma(z)=\frac{1}{1+exp(-z)}\\ z = w \cdot x+b \] 相较于线性回归，逻辑回归做的事情便是将 wx+b 放入 sigmoid 函数中，使其输出一直处于0~1之间。 在我们确定了函数之后，便是应该再定义一个损失函数。 假设有一组训练数据，其数据大小为 N，而且分别有自己的类别标签C。给定一组 w 和 b，就可以计算这组w，b下产生上图N个训练数据的概率，\(f_{w,b}(x^3)\)表示 \(x^3\) 属于C1的概率，但是其真实分类为C2，所以要用 \(1-f_{w,b}(x^3)\)。 \(L(w,b)L(w,b)\)取得的数值最大的时候，即取得最好的w和b，\(w^∗,b^∗ = argmax_{w,b}L(w,b)\) 在此我们可以做一个变换，对 \(L(w,b)\)取对数不影响其单调性，然后再 ...

理论基础 概率生成模型，是概率统计和机器学习中的一类重要模型，指一系列用于随机生成可观测数据的模型。假设有两类数据，每一类都有若干个样本；概率生成模型认为每一类数据都服从某一种分布，如高斯分布；从两类训练数据中得到两个高斯分布的密度函数，具体的是获得均值和方差两个参数；测试样本输入到其中一个高斯分布函数，得到的概率值若大于0.5，则说明该样本属于该类，否则属于另一类。 生成模型可以和贝叶斯概率公式进行结合，用于分类问题。原始贝叶斯概率公式为： \[ P(A|B)=\frac{P(B|A)P(A)}{P(B)} \tag{1} \] 对于一个\(2\times2\)的分类则有下图所述的贝叶斯分类 在上图中，训练数据中有两个类别；每个类别下有5个样本，我们想要知道新的测试样本\(x\)属于\(C1\)的可能性。根据贝叶斯概率公式可以得到上图片所示的概率公式。其中，\(P(C1)\)和\(P(C2)\)表示在训练数据中，随机采样得到\(C1\)或者C2的概率，即两个类别在训练数据中所占的比重。分母项\(P(x)\)表示生成数据x的概率，此处可以由生成模型计算得到； \[ ...

在回归中，我们需要解决下面的优化问题，即使得Loss函数尽可能的小 \[ \theta^*=arg\min L(\theta),L:loss function,\theta:parameters \] 假设一共有两个参数\(\theta_1,\theta_2\)，使得\(\theta^0= \begin{bmatrix}\theta^0\\\theta^1\end{bmatrix}\)，便有梯度如下 \[\nabla L(\theta)=\begin{bmatrix} \partial L(\theta_1)/ \partial \theta_1\\\ \partial L(\theta_2)/ \partial \theta_2\end{bmatrix}\] 那么参数的更新便可通过向量的形式进行 \[ \begin{bmatrix}\theta^1_1\\\theta^1_2\end{bmatrix}=\begin{bmatrix}\theta^0_1\\\theta^0_2\end{bmatrix}-\eta\begin{bmatrix} \partial L(\ ...

前言 此次学习的课程为李宏毅机器学习，之前学过一遍吴恩达的课程，只可惜当时没记笔记，且近些时候没有写代码，逐渐疏忽了，故选择李宏毅再进行新一遍的学习，所谓温故而知新。 回归是我们通常会使用的机器学习中的一类，比如日常中的我们的身高预测，股票预测等等，这些都可以看作为粗略的回归。 举一个例子 小时候我们会玩一个叫赛尔号的游戏，游戏里有各种各样的精力，就好比我们捕捉到了一只雷伊，然后我们可以向雷伊投经验值，让他升级，这只雷伊会有一个攻击力，我们想要预测雷伊的各种各样的属性与其攻击力之间的关系。 于是我们设其血量为\(X_{hp}\)，其体重为\(x_{w}\)，其身高为\(x_{h}\)，其物种为\(x_s\)，其战斗力为\(x_{cp}\)，然后预测他进化之后的战斗力值。那么便有\(y=b+\sum w_ix_i\)，其中\(w_i:weight,b:bias\)。如果单一个\(x_{cp}\)作预测的话便是\(y=b+w\cdot x_{cp}\)。 收集到了数据之后，便是可以进行预测，在此我们使用一个名为Loss函数进行Loss计算 \[ L(f) = \sum^ ...

最开始感到身体不适的时候，大概是在六月初，那时候觉得右下腹隐隐不适，但是并不疼痛，我一直以为是肝脏出了问题，随机买了护肝片，然后减少了熬夜。起初还是有一些效果，不适程度减少了很多，但是不到一周的时间又开始了，那是我正在做俯卧撑的时候，毕业的那段时间是每天一百个俯卧撑，那天俯卧撑的时候，突然觉得右胸猛的一痛，就像是要被撕裂了一般，随机停止了，然后上床休息。这便是已经六月中了。 之后便是毕业典礼之类类的事情，这时候大概一直右胸下部都有一种异物感，还是觉得是肝脏的问题，于是去校医院做了肝胆检查，检查结果表示一切正常，所以觉得，是不是健身练的太多了，导致肌肉拉伸了？虽然那个部位肌肉确实没有怎么练到，但是确实就没有继续往下面检查。 时间到了28号，毕业前往深圳，去华大实习，师兄给安排了食宿，然后自己去办理入职，入职需要入职体检，随机去了医院进行体检，血常规没有什么问题，检查心率的时候当时心率达到了116，医生说让做个心电图，这是上午的时候。下午体检结果出来，医生说我X光有问题，肺部有密集的阴影，需要做个CT进行深度检查，然后赶忙去做了CT，然后又去做了心电图，心电图倒是一切正常，还是往常的窦 ...

感谢成电，我爱成电，这是我四年本科生涯的经历所能给予成电的评价。 我本身并不是很想分主题写，但是又害怕自己错过一些部分，为了让自己逻辑更为通顺，我将从下面这些方面叙说我的四年。 我自己 首先介绍一下我自己，楼主是来自河南十八线小县城的学生，生命科学与技术学院2018级生物信息复合培养。在2020年国家全面脱贫之前，按照国家的定义是国家级贫困县的贫困家庭的贫困学生，纯纯的小镇做题家。上大学之前甚至都没有出过我们那个屁大点地方的小县城，没有特长，没有兴趣爱好，当然家庭也不支持；身体也不好，小时候家里没钱吃肉，甚至给我搞出了佝偻病，也遗传了父亲母亲的一些其他的奇奇怪怪无关紧要但是会在体检报告单上体现出来的病。我的母亲一直是处于无业状态，在家照顾我以及我的弟弟；我的父亲原先是位农民，后来地被收了，就南下打工，成为了一名农民工。总体来说，属于是纯纯的衰仔一条了，衰的程度甩了路明非十八条街。但是个人有点可能比较适应这个时代的一些优点吧，我的心态比较好，也有可能是已经见惯了太多不好的事情已经麻木了。大概就是我总体的一个介绍了。 学业 二十一世纪是生物的世纪，大概就是大家经常听到的一句话 ...

目前呢，市面上主流的编程语言有 PHP、Java、Python、C、C++、JavaScript等，这些语言呢也是各有千秋，今天呢，就用简短的话语细数一下他们的特点。 PHP：没有优点 Java：库多，库多，库多 Python：语法清楚，语法清楚，语法清楚 C：能操纵底层，能细粒度优化性能 C++：啥都有，啥都有，啥都有 汇编： C语言： Java： C#： PHP： Python： Go： Haskell： Lisp： 最后是 C++：

今天在写博客的时候，渲染的时候发生了一些问题，主要报错如下 [ERROR][hexo-renderer-pandoc] pandoc exited with code null. 看了一些博主的方案，也进行了尝试，但是结果并不是很好，但是自己经过摸索还是解决了，便是来写一下相关的解决方案。 第一种是将 hexo-renderer-pandoc 卸载 npm remove --save hexo-renderer-pandoc 但是呢，卸载之后，hexo 的渲染器就需要重新装配，不符合我的需求。 第二种则是在 Linux 之下的的一个官方的解决方法： name: Simple Usage on: push jobs: convert_via_pandoc: runs-on: ubuntu-18.04 steps: - uses: docker://pandoc/core:2.9 with: args: "--help" # gets appended ...