0%

Routine

目前,作为一个科研工作者,我主要的工作流程是在网页中查找文献、使用PDF阅读器阅读文献、以及使用Vim写论文。这一工作流程主要涉及了软件的开启,浏览器的操作(前进、后退、关闭),本地文件的查找与打开。作为一个使用过windows,Linux, macOS系统的我来说,我是极为推崇使用macOS来进行科研工作的(主要为文献阅读,论文编辑,Matlab等常用软件编程)。在apple的所有系列产品中,通过我的使用体验,apple的笔记本是最具有工作效率的。下面我来介绍macOS下科研工作常用到的、能提升工作效率的一些软件操作。

阅读全文 »

疫情在家期间,也在新电脑上准备用vim写科研论文。但是之前配置好的.vimrc文件中的配置在实验室的电脑上,我自己又懒得再配置一遍,于是作罢,选择了sublime来进行科研写作,顺便写了一篇《使用Sublime Text3撰写科研论文》。现在已经在实验室了,于是乎我将我的vim配置文件介绍介绍,放在网上,以防万一。同时,也给有需要的人借鉴参考。虽然去年在文章《使用Vim撰写科研论文》介绍了如何利用vim编写论文,只是介绍了与LaTex相关的插件。这里,我们将介绍一般性的编辑工作所需要的配置。


阅读全文 »

最近开始将CSDN的博客转到个人博客上,主要是采用Markdown将以前的文章保存下来,然后将其用hexo部署到github。在这里,我介绍一下使用Markdown写博客时一些技巧,格式,以及如何用部署到网站上。

阅读全文 »

在去年写的一篇文章《Win10 + VS2017 + CUDA10.1 + CPLEX12.9 配置》中,我们已经介绍了如何安装CUDA和使用VS作为编程环境。一晃半年过去了,现在准备用GPU做点东西,投个会议。由于新换了电脑,我又重新安装了运行环境,结果遇到了如下语法问题:

阅读全文 »

三个臭皮匠,顶个诸葛亮。

集成学习 (Ensemble learning) 通过构建并结合多个学习器来完成学习任务,即先产生一组个体学习器,再通过某种策略将它们结合起来完成学习任务。

个体学习器通常为一个现有的学习算法从训练数据产生,例如决策树,神经网络等。结合策略:在回归问题中,一般采用 (加权) 平均法,在分类问题中,一般采用 (加权) 投票法。当训练数据很多时,一种更为强大的结合策略为学习法,即通过另一个学习器来进行结合,典型代表为Stacking.

根据个体学习器的生成方式不同,目前的集成学习方法大致分为两大类:序列化方法并行化方法。在序列化方法中,个体学习器之间存在强依赖关系,需要串行生成,其代表为Boosting;在并行化方法中,个体学习器间不存在强依赖关系,可同时生成,其代表为Bagging和随机森林 (Random Forest)。

阅读全文 »

前一篇文章【图解例说机器学习】神经网络中,由于篇幅有限,我们只介绍了其理论部分。作为补充,本文主要介绍文中所有图像的绘制(使用Tikz或者Python)。对于神经网络中的框架图 (例如神经元,神经网络结构),我们采用Tikz绘制;对于坐标系的函数图像,我们采用Python绘制。注意:Tikz源代码需要在LaTeX中运行,其配置环境可以参考我之前的文章【漫漫科研路\LaTeX】使用Sublime Text3撰写科研论文(Windows系统下)或者【漫漫科研路\LaTeX】使用Vim撰写科研论文(MacOS系统下)。


阅读全文 »

神经网络是由具有适应性的简单单元组成的广泛并行互连的网络,它的组织能够模拟生物神经系统对真实世界物体所作出的交互反应。 —Kohonen, 1988


一层神经网络:感知机与逻辑回归

M-P神经元模型

1943年,McCulloch和Pitts提出了沿用至今的M-P神经元。在这个模型中,神经元接收来自其他$M$个神经元传递过来的输入信号$x^{(j)},j=1,2,\cdots,M$, 这些输入信号通过带权重$\omega_j$的连接进行传递,神经元接收到总输入值与神经元的阈值进行比较,然后通过激活函数处理以产生神经元的输出。

阅读全文 »