- 博客(21)
- 收藏
- 关注
RSS订阅原创 SpringCloud学习Day7:Seata
TC以Seata服务器形式独立部署，TM和RM则是以Seata Client的形式集成在微服务中运行。下提供高性能和简单易用的分布式事务服务。Seata是一款开源的。
2024-07-07 20:23:42
354
原创 机器学习Day12：特征选择与稀疏学习
将要使用的学习器的性能作为特征子集的评价标准。特征选择很重要，但特征很多，如何根据。利用信息增熵方法计算的结果进行评价。过程融为一体，在学习器训练过程中。如何评价候选特征子集的好坏？缺点：计算开销大于过滤式选择。相关特征：对当前学习任务。无关特征：对当前学习任务。获取下一个候选特征子集？优点：结果优于过滤式选择。2.去除不相关的特征能。
2024-07-07 19:45:50
613
原创 机器学习Day11：降维和度量学习
核心思想：将n维特征映射到m维上（m<n），这m维是全新的正交特征，称为主成分，这m维的特征是重新构造出来的，不是简单的从n维特征中减去n-m维特征（数据沿。作用：对于多个类别的数据，将相同类别的样本距离拉近，将不同类别的样本距离拉远，形成一个对样本相似度的合理度量。懒惰学习：在训练阶段仅仅把样本保存起来，训练事件开销为。的k个训练样本，然后基于这k个邻居的信息进行预测。主成分分析（PCA）是最常用的一种降维方法。急促学习：在训练阶段就对样本进行。概念：k近邻学习是一种常用的。维数灾难的一种重要方法。
2024-07-03 19:43:52
339
原创 SpringCloud学习Day6:Gateway
Gateway是在Spring生态系统上构建的API网关服务，旨在为微服务架构提供一种简单有效的统一的API路由管理方式，并为他们提供跨领域的关注点。
2024-07-03 15:40:42
418
原创 机器学习Day10:聚类
成不同的类或簇，使得同一个簇内的数据对象的相似性尽可能大，同时不在同一个簇中的数据对象的差异性尽可能大。如下图所示，由于a、b某特征有相似之处，将他们聚类一类，以此类推。改变样本和簇的隶属关系，使得每一次改进后的划分方法都比前一次。当簇近似于高斯分布时效果好。基本思想：对于给定的类别数据k首先给出。聚类是按照某个特定标准把一个数据集。典型算法：DBSCAN算法。代表：k-means算法。可被定义时才能使用；，直到满足某种条件为止。：对给定的数据集进行。
2024-07-02 19:18:43
804
原创 机器学习Day9:集成学习
先训练出一个基学习器，在此基础上进行调整提升训练效果，以此类推，直至学习器的数量达到预设的值，最终将这些学习器进行加权结合。理论上，树的数量越多训练效果越好，但当树的数量达到一个值时，增加树的数量作用不大。集成学习的结果通过投票法（少数服从多数）产生，所以学习器要有。：第一阶段得出各自结果，第二阶段再用前一阶段的结果训练。优点：能够学习高维数据，不用做特征选择；典型代表：AdaBoost 、xgBoost。训练完成后，能给出哪些。随机：数据采样随机，特征选择随机。学习器来完成学习任务。
2024-07-01 19:27:13
307
原创 如何读论文
第2遍（精选）：如果文章是需要读的，从头开始往下看，重点看图表，圈出文献，知道论文解决什么问题，用了什么方法。第3遍（重点研读）：如果文章很好的话，要读第3遍，读的时候思考我该怎么做，要读懂文章的所有部分。第1遍（海选）：用十几分钟事件读标题、摘要、结论以及算法和实验中的图表，判断论文质量与方向。
2024-07-01 15:50:50
389
原创 机器学习Day7
支持向量机（SVM）是一种模型，它的目的是寻找一个超平面（线性、非线性）来对样本进行分割，分割的原则是间隔最大化，最终转化为一个凸二次规划问题来求解。线性支持向量机：寻找一个线性特征空间来对样本进行分割，分割的原则是间隔最大化，此时返还能力最强非线性支持向量机：当原始样本空间不是线性可分的情况，可将样本从原始空间映射到一个更高维的特征空间，使得样本在这个特征空间内线性可分非线性支持向量机可能会用到核函数核函数：将原始空间中的向量作为输入向量，并返回特征空间（转换后的数据空间,可能是高维）中向量的。
2024-06-29 20:35:19
243
原创 SpringCloud学习Day5
4、分布式链路追踪原理：通过TraceId唯一标识，Span标识发起请求信息，Span间通过parentId关联起来，通过各标识间的时间差计算各种传输时间。5、安装zipkin:输入https://zipkin.io/pages/quickstart.html，选择相应的方法进行安装。2、作用：将一次分布式请求还原成调用链路，进行日志记录，性能检测，并将一次分布式请求的调用情况集中展示。3、zipkin：进行图形化展示，更美观。1、背景：Sleuth不再维护。
2024-06-26 20:11:01
661
原创 机器学习Day6
系统提示“Solving environment: failed with initial frozen solve.”在控制台输入nvidia-smi，得到Driver Version为516.40。查询得知是因为镜像路径过多导致，但并没有影响下载，所以没有去解决。进入pytorch.org网站，下拉至此页面。所以因选的CUDA版本为CUDA 11.7。将链接复制到anaconda中打开。后面报错了，之后研究一下怎么解决吧。问题：CUDA版本怎么选？
2024-06-25 19:23:41
280
原创 机器学习Day5
是由学习过程由信号的正向传播与误差的反向传播两个过程组成。由于多层前馈网络的训练经常采用误差反向传播算法，人们也常把将直接称为BP网络。发展：LeCun利用BP算法训练LeNet5网络，标志真正面世。
2024-06-24 21:08:45
284
原创 机器学习Day4
决策树是一种用于解决问题的算法，希望通过从给定数据训练一个用来对进行分类决策树顾名思义是树结构，其结点可以划分为三类：根结点、内部结点、叶结点根节点：一般是区分度最高（基尼指数最小）的属性（纯度最高）内部结点：是父结点下基尼系数最小的结点叶结点：决策结点，一般为标签的值。
2024-06-23 10:28:40
449
原创 SpringCloud学习Day2
Eureka停止更新，Eureka只能实现服务注册，而Consul和Nacos还能作为配置中心使用注：当前招聘中仍有不少公司招聘需求包含Eureka，而更多公司使用。
2024-06-21 21:20:58
370
原创 机器学习Day2
错误率：分类错误的样本占样本总数的比例精度：分类正确的样本占样本总数的比例误差：学习器的实际预测输出与样本真实输出之间的差训练误差（经验误差）：学习器在训练集上的误差泛化误差：学习器在新样本上的误差：将训练样本的一些特点当作所有样本都具有的一般性质原因：学习能力过于强大，无法解决，只能缓解欠拟合：训练样本的一般性质都未学好原因：学习能力差解决：在决策树学习中扩展分支、在神经网络学习中增加训练轮数等。
2024-06-21 11:15:59
680
原创 机器学习Day1
1980- 机器学习期：研究重点是归纳学习，其核心是符号学习，包括决策树和基于逻辑的学习。特征向量：形如（value1,value2,value3）在多维空间中的坐标向量。：广义上相当于从样例中学习，狭义上要求从训练数据中学得概念（概念学习、概念形成）“没有免费的午餐”定理（NFL）：无论学习算法聪明与否，他们的期望性能相同。统计学习：以统计学习理论为支撑，代表性技术为支持向量机（SVM）连接主义学习：通过手动调参获得好的学习结果，后发展为。训练（学习）：从数据中学得模型的过程。
2024-06-20 20:21:00
784
原创 SpringCloud学习Day1
服务熔断与降级：Circuit Break(Resilience4J)，Sentinel。服务注册与发现：SpringCloud Consul，Alibaba Nacos。分布式配置管理：SpringCloud Consul，Alibaba Nacos。版本确定优先级：Alibaba -> Cloud -> Boot。服务负载与调用：OpenFeign，LoadBalance。服务分布式配置：SpringCloud Config。服务负载与调用：ribbon，feign。服务注册与发现：eureka。
2024-06-20 19:25:34
231
原创 为了找实习，继续学java
时光荏苒，转眼两年过去，现在发现这些技术找实习都不足够，趁着暑假学些新技术，写博客以督促自己，打算学习的技术有SpringCloud，Dubbo，RabbitMQ，Oracle，SQL Server，Nginx，Redis，加上前端的JQuery，Vue.js等。本人于大二暑假开始学习java，当时学习的技术有java基础，Spring，SpringMVC，Mybatis，Mybatis-plus，Git，Maven，SpringBoot，Tomcat等，在当时来说找工作或是实习应是足够了。
2024-06-19 20:23:29
242
1
空空如也
空空如也
TA创建的收藏夹 TA关注的收藏夹
TA关注的人