<?xml version="1.0" encoding="utf-8" ?><rss version="2.0"><channel><title><![CDATA[Shen___的博客]]></title><description><![CDATA[]]></description><link>https://blog.csdn.net/Shen___</link><language>zh-cn</language><generator>https://blog.csdn.net/</generator><copyright><![CDATA[Copyright &copy; Shen___]]></copyright><item><title><![CDATA[Nginx反向代理解决跨域问题（个人学习总结）]]></title><link>https://blog.csdn.net/Shen___/article/details/126477951</link><guid>https://blog.csdn.net/Shen___/article/details/126477951</guid><author>Shen___</author><pubDate>Tue, 23 Aug 2022 10:37:14 +0800</pubDate><description><![CDATA[一、理解Nginx 二、Nginx基本命令 三、产生跨域问题的原因 四、配置Nginx解决跨域问题]]></description><category></category></item><item><title><![CDATA[Spring Boot入门示例(一)]]></title><link>https://blog.csdn.net/Shen___/article/details/126056362</link><guid>https://blog.csdn.net/Shen___/article/details/126056362</guid><author>Shen___</author><pubDate>Fri, 29 Jul 2022 15:30:52 +0800</pubDate><description><![CDATA[Spring Boot入门示例]]></description><category></category></item><item><title><![CDATA[异常：com.alibaba.druid.pool.GetConnectionTimeoutException: wait millis 60010, active 20, maxActive 20]]></title><link>https://blog.csdn.net/Shen___/article/details/125932079</link><guid>https://blog.csdn.net/Shen___/article/details/125932079</guid><author>Shen___</author><pubDate>Fri, 22 Jul 2022 15:29:06 +0800</pubDate><description><![CDATA[异常：com.alibaba.druid.pool.GetConnectionTimeoutException: wait millis 60010, active 20, maxActive 20]]></description><category></category></item><item><title><![CDATA[Failed to obtain JDBC Connection； nested exception is java.sql.SQLException:oracle.jdbc.OracleDriver]]></title><link>https://blog.csdn.net/Shen___/article/details/121905968</link><guid>https://blog.csdn.net/Shen___/article/details/121905968</guid><author>Shen___</author><pubDate>Mon, 13 Dec 2021 15:30:42 +0800</pubDate><description><![CDATA[报错：Failed to obtain JDBC Connection; nested exception is java.sql.SQLException:oracle.jdbc.OracleDriver]]></description><category></category></item><item><title><![CDATA[python zeros() 函数]]></title><link>https://blog.csdn.net/Shen___/article/details/102708790</link><guid>https://blog.csdn.net/Shen___/article/details/102708790</guid><author>Shen___</author><pubDate>Tue, 15 Sep 2020 14:47:48 +0800</pubDate><description><![CDATA[函数zeros()在模块numpy中：
语法
zeros(shape, dtype=float, order='C')

参数说明：
shape：可以是int类型数据，或者是int类型的序列。表示新的数组的大小
dtype：数组数据类型，默认为float
order：在内存中排列的方式（以C语言或Fortran语言方式排列），默认为C语言排列
#一维数组
zeros(3)
#二维数组
zeros(...]]></description><category></category></item><item><title><![CDATA[Python sorted() 函数]]></title><link>https://blog.csdn.net/Shen___/article/details/102708579</link><guid>https://blog.csdn.net/Shen___/article/details/102708579</guid><author>Shen___</author><pubDate>Tue, 15 Sep 2020 14:46:56 +0800</pubDate><description><![CDATA[描述
sorted() 函数对所有可迭代的对象进行排序操作。
sort 与 sorted 区别：
sort 是应用在 list 上的方法，sorted 可以对所有可迭代的对象进行排序操作。
list 的 sort 方法返回的是对已经存在的列表进行操作，无返回值，而内建函数 sorted 方法返回的是一个新的 list，而不是在原来的基础上进行的操作。

语法
sorted(iterable, cm...]]></description><category></category></item><item><title><![CDATA[机器学习实战 | 第4章 基于概率论的分类方法： 朴素贝叶斯]]></title><link>https://blog.csdn.net/Shen___/article/details/102812487</link><guid>https://blog.csdn.net/Shen___/article/details/102812487</guid><author>Shen___</author><pubDate>Tue, 15 Sep 2020 11:01:03 +0800</pubDate><description><![CDATA[4.1 基于贝叶斯决策理论的分类方法
				朴素贝叶斯
优点：在数据较少的情况下仍然有效，可以处理多类别问题。
缺点：对于输入数据的准备方式较为敏感。
适用数据类型：标称型数据。

用p1(x,y)表示数据点(x,y)属于类别1的概率；
用p2(x,y)表示数据点(x,y)属于类别2的概率；
那么对于一个新数据点(x,y)，可以用下面的规则来判断它的类别：
 如果 p1(x,y) &gt; p...]]></description><category></category></item><item><title><![CDATA[机器学习实战 | 第3章 决策树]]></title><link>https://blog.csdn.net/Shen___/article/details/102619735</link><guid>https://blog.csdn.net/Shen___/article/details/102619735</guid><author>Shen___</author><pubDate>Tue, 15 Sep 2020 11:00:37 +0800</pubDate><description><![CDATA[决策树的一个重要任务是：为了数据中蕴含的知识信息。
决策树可以使用不熟悉的数据集合，并从中提取除一系列规则，在这些机器根据数据集创建规则时，就是机器学习的过程。
3.1 决策树的构造

优点：计算复杂度不高，输出结果易于理解，对中间值的缺失不敏感，可以处理不相关特征数据。
缺点：可能会产生过度匹配问题。
适用数据类型：数值型和标称型。
在构造决策树时，我们需要解决的第一个问题是：当前数据集上哪个特...]]></description><category></category></item><item><title><![CDATA[机器学习实战 | 第2章 k-临近算法]]></title><link>https://blog.csdn.net/Shen___/article/details/102568479</link><guid>https://blog.csdn.net/Shen___/article/details/102568479</guid><author>Shen___</author><pubDate>Tue, 15 Sep 2020 11:00:17 +0800</pubDate><description><![CDATA[2.1 k-临近算法概述

工作原理：存在一个样本数据集合（也称作训练样本集），并且样本集中每个数据都存在标签（即我们知道样本中每一数据与所属分类的对应关系）。输入没有标签的新数据后，将新数据的特征值与样本中数据对应的特征值进行比较，然后算法提取样本集中特征最相似数据（最邻近）的分类标签。一般来说，我们只选择样本数据集中前k个最相似的数据，通常k是不大于20的整数。最后选择k个最相似数据中出现次数...]]></description><category></category></item><item><title><![CDATA[深度学习 | 卷积神经网络]]></title><link>https://blog.csdn.net/Shen___/article/details/103239944</link><guid>https://blog.csdn.net/Shen___/article/details/103239944</guid><author>Shen___</author><pubDate>Tue, 15 Sep 2020 10:51:17 +0800</pubDate><description><![CDATA[卷积神经网络（CNN）：多了卷积层（Convolution层）和池化层（Pooling层）。
全连接（fully-connected）：相邻层的所有神经元之间都有连接。

]]></description><category></category></item><item><title><![CDATA[深度学习 | 误差反向传播法]]></title><link>https://blog.csdn.net/Shen___/article/details/104439566</link><guid>https://blog.csdn.net/Shen___/article/details/104439566</guid><author>Shen___</author><pubDate>Tue, 15 Sep 2020 10:50:54 +0800</pubDate><description><![CDATA[1. 计算图

计算图将计算过程用图形表示出来。这里说的图形是数据结构图，通过多个节点和边表示（连接节点的直线称为“边”）。
正向传播（forward propagation）：从左向右进行计算，传递的是计算结果。
反向传播（backward propagation）：是从右向左进行计算，传递的是局部导数。
局部计算：计算图的特征是可以通过传递“局部计算”获得最终结果。“局部”这个词的意思是“与自...]]></description><category></category></item><item><title><![CDATA[深度学习 | 神经网络的学习]]></title><link>https://blog.csdn.net/Shen___/article/details/103158355</link><guid>https://blog.csdn.net/Shen___/article/details/103158355</guid><author>Shen___</author><pubDate>Tue, 15 Sep 2020 10:49:55 +0800</pubDate><description><![CDATA[本章的“学习”是指：从训练数据中自动获取最优权重参数的过程。
学习的目的：找出使损失函数的值达到最小的权重参数。
方法：函数斜率的梯度法。
1 从数据中学习
从数据中学习是指：由数据自动决定权重参数的值
1.1 数据驱动

利用数据来解决问题：先从图像中提取特征量，再用机器学习技术学习这些特征量的模式。
特征量：可以从输入数据（输入图像）中准确地提取本质数据（重要的数据）的转换器。
图像的特征量通...]]></description><category></category></item><item><title><![CDATA[深度学习 | 神经网络]]></title><link>https://blog.csdn.net/Shen___/article/details/102989499</link><guid>https://blog.csdn.net/Shen___/article/details/102989499</guid><author>Shen___</author><pubDate>Tue, 15 Sep 2020 10:48:56 +0800</pubDate><description><![CDATA[感知机：好消息，对于复杂的函数，感知机也隐含着能够表示它的可能性。即便是计算机进行的复杂处理，感知机（理论上）也可以将其表示出来。坏消息，设定权重的工作，即确定合适的、能符合预期的输入与输出的权重，现在还是由人工进行的。
神经网络：为了解决感知机的坏消息。神经网络的一个重要性质是它可以自动地从数据中学习到合适的权重参数。
一、从感知机到神经网络
例如：

神经网络中信号的传递方法

...]]></description><category></category></item><item><title><![CDATA[深度学习 | 感知机]]></title><link>https://blog.csdn.net/Shen___/article/details/102988262</link><guid>https://blog.csdn.net/Shen___/article/details/102988262</guid><author>Shen___</author><pubDate>Tue, 15 Sep 2020 10:48:01 +0800</pubDate><description><![CDATA[一、感知机是什么
感知机是具有输入和输出的算法。给定一个输入后，将输出一个既定的值。

x1、x2是输入信号，y是输出信号，w1、w2是权重（w是weight的首字母）。○称为“神经元”或者“节点”。
输入信号被送往神经元时，会被分别乘以固定的权重（w1x1、w2x2）。神经元会计算传送过来的信号的总和，只有当这个总和超过了某个界限值时，才会输出1。这也称为“神经元被激活”。这里将这个界限值称为阈...]]></description><category></category></item><item><title><![CDATA[查看远端地址 git remote –v时报错fatal: not a git repository (or any of the parent directories): .git]]></title><link>https://blog.csdn.net/Shen___/article/details/102660472</link><guid>https://blog.csdn.net/Shen___/article/details/102660472</guid><author>Shen___</author><pubDate>Mon, 21 Oct 2019 13:10:19 +0800</pubDate><description><![CDATA[查看git远端地址时：
$  git remote –v

报错：
fatal: not a git repository (or any of the parent directories): .git

提示说没有.git这样一个目录
解决办法：
$ git init

ok啦！

...]]></description><category></category></item><item><title><![CDATA[部署hexo时出错：fatal: Could not read from remote repository.Error: Spawn failed]]></title><link>https://blog.csdn.net/Shen___/article/details/102660305</link><guid>https://blog.csdn.net/Shen___/article/details/102660305</guid><author>Shen___</author><pubDate>Mon, 21 Oct 2019 13:04:22 +0800</pubDate><description><![CDATA[在部署hexo执行下面代码时：
$ hexo d

出现错误：
On branch master
nothing to commit, working tree clean
git@git.coding.net: Permission denied (publickey).
fatal: Could not read from remote repository.

Please make sur...]]></description><category></category></item><item><title><![CDATA[西瓜书学习笔记 | 第15章  规则学习]]></title><link>https://blog.csdn.net/Shen___/article/details/102509608</link><guid>https://blog.csdn.net/Shen___/article/details/102509608</guid><author>Shen___</author><pubDate>Mon, 14 Oct 2019 10:50:20 +0800</pubDate><description><![CDATA[15.1 基本概念
15.2 序贯覆盖
15.3 剪枝优化
15.4 一阶规则学习
15.5 归纳逻辑程序设计

]]></description><category></category></item><item><title><![CDATA[西瓜书学习笔记 | 第14章  概率图模型]]></title><link>https://blog.csdn.net/Shen___/article/details/102490131</link><guid>https://blog.csdn.net/Shen___/article/details/102490131</guid><author>Shen___</author><pubDate>Fri, 11 Oct 2019 20:18:51 +0800</pubDate><description><![CDATA[概率图模型（probabilistic model）（变量关系图）：是一类用图来表达变量相关关系的概率模型。]]></description><category></category></item></channel></rss>