ADB无线调试手机
所需工具 硬件工具： 一部支持USB无线调试的手机，我是使用的是OPPO Reno6 Windows电脑，配备Android调试工具 软件工具： Android SDK平台工具，下载连接：SDK 平台工具版本说明 | Android Studio | Android Developers 配置步骤打开手机的USB无线调试功能 启用开发者模式：设置>>关于本机>>版本信息>>版本号，点击版本号直到出现开启开发者模式 开启USB无线调试：设置>>其他设置>>开发者选项>>启用USB调试和无线调试，无线调试需要手机和电脑在相同的网路下才可以进行 打开无线调试之后，记录一下信息： 手机IP地址 (如192.168.0.100) 配对端口号 (如35031) 配对码 (6位数字，如339652) 电脑端配对 **下载调试工具(有ADB忽略该步骤)**：指令框中输入：adb version查看是否有ADB调试工具，没有请下载Android SDK平台工具，下载连接：SDK...
UNet网络及其家族
UNet算法思想UNet简介 论文来自：[1505.04597] U-Net: Convolutional Networks for Biomedical Image Segmentation 特点： 高效利用数据增强：使用弹性形变(elastic deformations)扩充数据集，少量数据图像便可训练 提供新型网络结构：使用收缩路径(contracting path)捕获信息和对称扩展路径(symmetric expanding path)精确定位，跳跃连接（Skip Connections）将两者结合的全卷积神经网络 提供新型训练策略：使用重叠瓦片策略(Overlap-tile...
线性回归
线性回归算法思想线性回归简介 定义：线性回归是一种利用回归方程对一个或多个自变量和目标值之间的关系进行拟合的建模分析方式 应用场景：预测连续值 任务目标：任务: 从样本中学习特征（如身高）和目标（如体重）之间的关系，利用这个关系预测新数据的目标值 线性回归数学表示一元线性回归 定义：目标值只与一个因变量有关系 公式：$y = kx + b$，其中k是斜率，表示特征值和标签值之间的线性关系；b是截距；x为特征值；y为目标值，至少有两个样本 目标：找到一条直线，使得这条直线与所有样本点的误差最小 方法：利用所有样本点的特征值和目标值，通过求解线性方程组来找到最佳直线 多元线性回归 定义: 当目标值与多个自变量有关时，使用的线性回归称为多元线性回归 公式：$Y=w_1x_1+w_2x_2+w_3x_3+…+b$，其中是$w_i$各个自变量的权重，表示该自变量对目标值的影响程度；b是截距 矩阵表示：$Y=W^TX$，其中w是权重向量，x是特征向量，w实例：$(b, w_1, w_2,…)^T$，x实例：$(1, x_1, x_2,...
KNN算法
KNN算法思想KNN简介 定义: K-近邻算法（K-Nearest Neighbor, 简称KNN）是一种基于实例的学习，通过测量不同特征值之间的距离进行分类或回归 核心思想: 如果一个样本在特征空间中的k个最相似的样本中的大多数属于某一个类别，则该样本也属于这个类别，其中K为超参数 样本相似性 衡量标准: 样本距离越近则越相似，通常使用欧氏距离来衡量 欧氏距离公式：n维空间点A($x_1, x_2, … x_n$)到B($y_1, y_2,… y_n$)之间的距离公式为$d_{AB} = \sqrt{\sum_{i=1}^{n}(x_i - y_i)^2}$ KNN算法流程解决分类任务 STEP 1：计算未知样本与训练集中所有样本的距离 STEP 2：按照距离的递增关系进行排序 STEP 3：选取与未知样本距离最小的k个样本 STEP 4：统计前k个样本所在类别出现的频率 STEP 5：返回前k个样本中出现频率最高的类别作为未知样本的预测分类 解决回归任务 STEP 1：计算未知样本与训练集中所有样本的距离 STEP...
机器学习特征工程
特征工程概述 定义：特征工程是对原始数据进行一系列处理，以提取出对模型训练有用的特征的过程 内容：包括特征提取、特征预处理、特征降维、特征选择和特征组合 数据与特征的重要性: 数据和特征决定了机器学习算法的上限，而模型和算法只是逼近这个上限 特征提取 定义: 从原始数据中提取出对模型有用的特征，构成特征向量 作用: 使得模型能够更好地理解和利用数据，提高模型的性能 特征预处理 定义: 对提取出的特征进行进一步的处理，以使其满足模型训练的要求 作用: 消除数据中的噪声、异常值等不利因素，提高模型训练的稳定性和准确性 数据降维 定义: 通过某种方法减少特征的数量，以降低数据的维度 作用: 简化模型、减少计算量、避免过拟合，同时可能提高模型的泛化能力 特征选择 定义: 从所有特征中选择出对模型训练最有用的特征 作用: 去除不相关或冗余的特征，提高模型的性能和解释性 特征组合 定义: 将多个特征组合成一个新的特征，以捕捉数据中的更复杂关系 作用: 提高模型对数据的理解能力和预测性能
机器学习建模流程
获取数据获取数据 数据来源：Todo：推荐几个网站 音频数据：(待补充) 文本数据:（待补充） 图像数据：(待补充) 数据基本处理 缺失值处理：填充缺失值或删除不完整项目 异常值处理：更改异常值或者删除异常值 特征工程 特征提取：从原始数据中提取与任务相关的特征 特征预处理：对特征进行归一化等处理，避免不同特征取值范围(消除量纲)对模型的影响 特征降维：从高维特征中选择重要特征，去除无关特征，例如相关系数，PCA(主成分分析) 机器学习(训练模型) 输入数据 特征处理：对数据进行基本处理及特征工程，提取特征向量 模型训练：将特征向量和标签送入模型进行训练，得到学习好的模型 模型评估 预测过程: 新数据经过相同特征提取方法后，送入模型获取预测结果 评估方法: 将预测结果与真实标签进行比较，评估模型性能 总结123456789graph TD subgraph Training A[label] --> D B[input] --> C[feature extractor] --> E[features]...
机器学习算法分类
有监督学习 定义: 输入数据由输入特征值和目标值（标签）所组成，训练数据都是有标签的 特点: 训练数据有标签，模型根据人工标注的标签进行学习。 举例：分类任务，回归任务 分类任务二分类 定义: 二分类任务指的是有两个类别的分类问题，即判断是或否，属于这两个类别中的一个。 举例：是否为猫，是否为狗 多分类 定义：多分类任务指的是有多个（超过两个）类别的分类问题。 示例: 如标签中包含猫、狗、鸽子等多个类别时，即为多分类任务 回归任务无监督学习 定义: 输入数据没有被标记，样本数据类别未知，没有标签。 特点: 根据样本间的相似性对样本集进行聚类，发现事物内部结构及相互关系。 举例：K-means算法，聚类算法 聚类算法 定义：根据样本间的相似性对样本集进行聚类，发现事物内部结构及相互关系 举例：推荐系统，通过聚类新用户与老用户的相似性来推荐内容。 [!note] 有监督分类问题与回归问题分类任务: 标签值是离散的，可以枚举出所有类别。回归任务: 标签值是连续的，无法枚举 半监督学习 定义: 训练数据中部分有标签，部分无标签。 特点:...
MySQL
数据库介绍 数据库定义：存储和管理数据的系统 数据库基本操作：增加(Create)，删除(Delete)，修改(Update)，查找(Read) 数据库分类： 关系型数据库 非关系型数据库 关系型数据库(RDBMS) 非关系型数据库 存储形式 行列表格结构存储数据 键值对存储，文档存储，列式存储，图式存储 查询语言 使用SQL语言进行操作 不使用SQL语言（NoSQL） 典型产品 MySQL、Oracle、DB2、SQL Server MongoDB、Redis、HBase、Neo4j SQL语句介绍 定义：结构化查询语言(Structured Query Language)是关系型数据库管理系统的通用操作规范 SQL方言： 所有关系型数据库(MySQL/Oracle等)都遵循SQL标准 不同数据库有特有语法 SQL语言分类 根据功能分类： DDL(数据定义语言)：定义数据库对象，例如：CREATE DATABASE, CREATE...
Pycharm 自定义注释关键词
Pycharm 自定义注释关键词(实现类似todo效果)Step 1: 打开设置界面 Windows： File -> Settings MacOS: Pycharm -> Preferences中文路径：文件 -> 设置 Step 2: 找到 TODO 配置项 Step 3: 配置关键字 将你想要的注释关键以\bkeyword\b.*填入到模式中，用你想要的关键词替换其中的keyword 若想要自定义颜色可取消勾选Use color scheme TODO default colors 效果展示本例使用的模式为\bstep\b.*，自定义颜色为绿色 [^1]:
回归预测代码实战
回归预测代码实战引言在机器学习领域，回归分析是一种非常重要的方法，常用于预测连续型变量。本次实战项目以新冠模型预测(ML2021Spring-hw1)为例，展示如何进行数据处理、模型定义、训练以及预测。 项目环境与依赖库123456789101112import timeimport torchimport matplotlib.pyplot as pltimport csvimport numpy as npimport pandas as pdfrom torch.utils.data import DataLoader, Datasetimport torch.nn as nn # 引入NN模型import torch.optim as optimfrom sklearn.feature_selection import SelectKBest, chi2 torch：深度学习框架，用于构建和训练神经网络模型。 matplotlib.pyplot：用于数据可视化。 csv：用于处理 CSV...