<?xml version="1.0" encoding="utf-8" ?><rss version="2.0"><channel><title><![CDATA[R_TRIG]]></title><description><![CDATA[Love CodeProject]]></description><link>https://blog.csdn.net/ocean56</link><language>zh-cn</language><generator>https://blog.csdn.net/</generator><copyright><![CDATA[Copyright &copy; ocean56]]></copyright><item><title><![CDATA[EHA SeriesElectrohydraulical Actuator]]></title><link>https://blog.csdn.net/ocean56/article/details/145632113</link><guid>https://blog.csdn.net/ocean56/article/details/145632113</guid><author>ocean56</author><pubDate>Fri, 14 Feb 2025 14:04:46 +0800</pubDate><description><![CDATA[EHAC10 SeriesElectrohydraulical Actuator]]></description><category></category></item><item><title><![CDATA[INCA真支持PCAN（PeakCan）硬件使用（PeakOemDrv）]]></title><link>https://blog.csdn.net/ocean56/article/details/143616268</link><guid>https://blog.csdn.net/ocean56/article/details/143616268</guid><author>ocean56</author><pubDate>Fri, 08 Nov 2024 10:50:25 +0800</pubDate><description><![CDATA[INCA真支持PCAN（PeakCan）硬件使用（PeakOemDrv）]]></description><category></category></item><item><title><![CDATA[Task04：建模与调参（3天）]]></title><link>https://blog.csdn.net/ocean56/article/details/108786133</link><guid>https://blog.csdn.net/ocean56/article/details/108786133</guid><author>ocean56</author><pubDate>Thu, 24 Sep 2020 23:55:52 +0800</pubDate><description><![CDATA[Task04：建模与调参（3天）
]]></description><category></category></item><item><title><![CDATA[Task3 特征工程]]></title><link>https://blog.csdn.net/ocean56/article/details/108721910</link><guid>https://blog.csdn.net/ocean56/article/details/108721910</guid><author>ocean56</author><pubDate>Mon, 21 Sep 2020 23:51:52 +0800</pubDate><description><![CDATA[此部分为零基础入门金融风控的 Task3 特征工程部分，带你来了解各种特征工程以及分析方法，欢迎大家后续多多交流。

赛题：零基础入门数据挖掘 - 零基础入门金融风控之贷款违约

3.1 学习目标

学习特征预处理、缺失值、异常值处理、数据分桶等特征处理方法
	学习特征交互、编码、选择的相应方法
	完成相应学习打卡任务，两个选做的作业不做强制性要求，供学有余力同学自己探索
3.2 内容介绍

数据预处理
	缺失值的填充
		时间格式处理
		对象类型特征转换到数值
	
	异常值处理
	基于3segama原则]]></description><category></category></item><item><title><![CDATA[Task2 数据分析]]></title><link>https://blog.csdn.net/ocean56/article/details/108675024</link><guid>https://blog.csdn.net/ocean56/article/details/108675024</guid><author>ocean56</author><pubDate>Sat, 19 Sep 2020 00:03:13 +0800</pubDate><description><![CDATA[Task2 数据分析

此部分为零基础入门金融风控的 Task2 数据分析部分，带你来了解数据，熟悉数据，为后续的特征工程做准备，欢迎大家后续多多交流。

赛题：零基础入门数据挖掘 - 零基础入门金融风控之贷款违约

目的：


	1.EDA价值主要在于熟悉了解整个数据集的基本情况（缺失值，异常值），对数据集进行验证是否可以进行接下来的机器学习或者深度学习建模.
	
	
	2.了解变量间的相互关系、变量与预测值之间的存在关系。
	
	
	3.为特征工程做准备
	
2.1 学习目标

学习如何对数据集整体概况]]></description><category></category></item><item><title><![CDATA[数据挖掘实践（金融风控）Task1:赛题理解（2天）]]></title><link>https://blog.csdn.net/ocean56/article/details/108612669</link><guid>https://blog.csdn.net/ocean56/article/details/108612669</guid><author>ocean56</author><pubDate>Tue, 15 Sep 2020 23:56:51 +0800</pubDate><description><![CDATA[赛题以金融风控中的个人信贷为背景，要求选手根据贷款申请人的数据信息预测其是否有违约的可能，以此判断是否通过此项贷款，这是一个典型的分类问题。通过这道赛题来引导大家了解金融风控中的一些业务背景，解决实际问题，帮助竞赛新人进行自我练习、自我提高。

.1 学习目标

理解赛题数据和目标，清楚评分体系。

完成相应报名，下载数据和结果提交打卡（可提交示例结果），熟悉比赛流程

1.2 了解赛题

赛题概况
	数据概况
	预测指标
	分析赛题
1.2.1 赛题概况

比赛要求参赛选手根据给定的数据集，建立模型，预测]]></description><category></category></item><item><title><![CDATA[python Task4：列表（1天）]]></title><link>https://blog.csdn.net/ocean56/article/details/107649278</link><guid>https://blog.csdn.net/ocean56/article/details/107649278</guid><author>ocean56</author><pubDate>Tue, 28 Jul 2020 23:45:51 +0800</pubDate><description><![CDATA[task4
]]></description><category></category></item><item><title><![CDATA[Python学习笔记 2020.7.24 异常处理]]></title><link>https://blog.csdn.net/ocean56/article/details/107568416</link><guid>https://blog.csdn.net/ocean56/article/details/107568416</guid><author>ocean56</author><pubDate>Fri, 24 Jul 2020 19:57:34 +0800</pubDate><description><![CDATA[练习题

2.1.编写以一个python程序来查找那些可以被7除以5的整数的数字，介于1500到2700之间。


t = 1500
for i in range(1500, 2700): 
    if i % 7 == 0 and i % 5 ==0:
        print(i)
        t +=1

2.2.龟兔赛跑






v1,v2,t,s,l = map(int,input().split())
if v1&lt;=100 and v2&lt;=100 and t&lt;=..]]></description><category></category></item><item><title><![CDATA[Python学习笔记 2020.7.22]]></title><link>https://blog.csdn.net/ocean56/article/details/107526106</link><guid>https://blog.csdn.net/ocean56/article/details/107526106</guid><author>ocean56</author><pubDate>Wed, 22 Jul 2020 23:41:04 +0800</pubDate><description><![CDATA[Python学习笔记

2020.7.22

1. 怎样对python中的代码进行注释

 答：a.井号注释单行代码： #

    b.三个单引号或三个双引号注释语句块： ''' 或者" " "

    c.井号加两个百分号画出语句块分界线： #%%

2. python有哪些运算符，这些运算符的优先级是怎样的？

答：算术运算符
   比较（关系）运算符
   赋值运算符
   逻辑运算符
   位运算符
   成员运算符
   身份运...]]></description><category></category></item><item><title><![CDATA[百毒不侵打卡01]]></title><link>https://blog.csdn.net/ocean56/article/details/104321433</link><guid>https://blog.csdn.net/ocean56/article/details/104321433</guid><author>ocean56</author><pubDate>Fri, 14 Feb 2020 23:10:06 +0800</pubDate><description><![CDATA[线性回归 day1


假如你正在实现一个全连接层，全连接层的输入形状是7×8，输出形状是7×1，其中7是批量大小，则权重参数w和偏置参数b的形状分别是____和____
A. 1×8，1×1
B. 1×8，7×1
C. 8×1，1x1
D. 8×1，7×1
参考答案：C


解析：通过输入和输出可知权重参数w的形状是8x1，因为输入x权重=输出，即7x8 x 8x1 = 7x1，中间的两个8约掉...]]></description><category></category></item><item><title><![CDATA[Task06：朴素贝叶斯]]></title><link>https://blog.csdn.net/ocean56/article/details/104060981</link><guid>https://blog.csdn.net/ocean56/article/details/104060981</guid><author>ocean56</author><pubDate>Tue, 21 Jan 2020 13:32:16 +0800</pubDate><description><![CDATA[理论部分

相关概念
	生成模型
		判别模型
	
	朴素贝叶斯基本原理
	条件概率公式
		乘法公式
		全概率公式
		贝叶斯定理
		特征条件独立假设
		后验概率最大化
		拉普拉斯平滑
	
	朴素贝叶斯的三种形式
	高斯型
		多项式型
		伯努利型
	
	极值问题情况下的每个类的分类概率
	下溢问题如何解决
	零概率问题如何解决
	sklearn参数详解
实战部分

利用sklearn...]]></description><category></category></item><item><title><![CDATA[Task05：聚类]]></title><link>https://blog.csdn.net/ocean56/article/details/104046416</link><guid>https://blog.csdn.net/ocean56/article/details/104046416</guid><author>ocean56</author><pubDate>Sun, 19 Jan 2020 23:32:48 +0800</pubDate><description><![CDATA[理论部分

相关概念
	无监督学习
		聚类的定义
	
	常用距离公式
	曼哈顿距离
		欧式距离
		闵可夫斯基距离
		切比雪夫距离
		夹角余弦
		汉明距离
		杰卡德相似系数
		杰卡德距离
	
	K-Means聚类：聚类过程和原理、算法流程、算法优化（k-means++、Mini Batch K-Means）
	层次聚类：Agglomerative Clustering过程和原理
	密...]]></description><category></category></item><item><title><![CDATA[Task04：决策树]]></title><link>https://blog.csdn.net/ocean56/article/details/104046157</link><guid>https://blog.csdn.net/ocean56/article/details/104046157</guid><author>ocean56</author><pubDate>Sun, 19 Jan 2020 23:23:41 +0800</pubDate><description><![CDATA[理论部分

特征选择：信息增益（熵、联合熵、条件熵）、信息增益比、基尼系数
	决策树生成：ID3决策树、C4.5决策树、CART决策树（CART分类树、CART回归树）
	决策树剪枝
	sklearn参数详解
实战部分

利用sklearn解决分类问题和回归预测。
	sklearn.tree.DecisionTreeClassifier
	sklearn.tree.DecisionTreeRegr...]]></description><category></category></item><item><title><![CDATA[Task03：逻辑回归]]></title><link>https://blog.csdn.net/ocean56/article/details/103964238</link><guid>https://blog.csdn.net/ocean56/article/details/103964238</guid><author>ocean56</author><pubDate>Mon, 13 Jan 2020 21:00:34 +0800</pubDate><description><![CDATA[理论部分

逻辑回归与线性回归的联系与区别
	模型建立：逻辑回归原理、逻辑回归模型
	学习策略：逻辑回归损失函数、推导及优化
	算法求解：批量梯度下降
	正则化与模型评估指标
	逻辑回归的优缺点
	样本不均衡问题
	sklearn参数详解
案例:
	
import numpy as np
import pandas as pd
import matplotlib.pyplot as plt

%m...]]></description><category></category></item><item><title><![CDATA[Task02：线性回归]]></title><link>https://blog.csdn.net/ocean56/article/details/103950139</link><guid>https://blog.csdn.net/ocean56/article/details/103950139</guid><author>ocean56</author><pubDate>Sun, 12 Jan 2020 21:47:27 +0800</pubDate><description><![CDATA[模型建立：线性回归原理、线性回归模型todo
	学习策略：线性回归损失函数、代价函数、目标函数todo
	算法求解：梯度下降法、牛顿法、拟牛顿法等todo
	线性回归的评估指标todo
	sklearn参数详解todo
	案例:
	
	

 
import numpy as np
from sklearn.linear_model import LinearRegression
import ma...]]></description><category></category></item><item><title><![CDATA[Task01：机器学习概述]]></title><link>https://blog.csdn.net/ocean56/article/details/103916306</link><guid>https://blog.csdn.net/ocean56/article/details/103916306</guid><author>ocean56</author><pubDate>Thu, 09 Jan 2020 21:47:11 +0800</pubDate><description><![CDATA[机器学习面试问题：

机器学习 ：机器学习是什么，怎么来的，理论基础是什么，为了解决什么问题。
机器学习是从已知的数据和答案中寻找出某种规则。区别传统编程基于规则和数据，得到一个答案。
	机器学习以计算机为工具和平台，以数据为研究对象，以学习方法为中心，是概率论，线性代数，信息论，最优化和计算机科学等多个领域的交叉学科。
	应用于自动驾驶，人脸识别，垃圾邮件检测，信用风险预测，工业制造缺线检测，商...]]></description><category></category></item><item><title><![CDATA[Mysql任务4   MySQL 实战 - 复杂项目]]></title><link>https://blog.csdn.net/ocean56/article/details/99689780</link><guid>https://blog.csdn.net/ocean56/article/details/99689780</guid><author>ocean56</author><pubDate>Sat, 17 Aug 2019 10:25:56 +0800</pubDate><description><![CDATA[MySQL 实战 - 复杂项目



#作业#



项目十六 分数排名 （难度：中等）

依然是昨天的分数表，实现排名功能，但是排名需要是非连续的，如下：

+-------+------+

| Score | Rank |

+-------+------+

| 4.00 | 1 |

| 4.00 | 1 |

| 3.85 | 3 |

|3.65 | 4 |

| 3.6...]]></description><category></category></item><item><title><![CDATA[MySQL任务3 - 2天]]></title><link>https://blog.csdn.net/ocean56/article/details/99543127</link><guid>https://blog.csdn.net/ocean56/article/details/99543127</guid><author>ocean56</author><pubDate>Wed, 14 Aug 2019 09:55:40 +0800</pubDate><description><![CDATA[项目十: 各部门工资最高的员工（难度：中等）

创建Employee表，包含所有员工信息，每个员工有其对应的Id, salary 和 department Id。




-- 创建employee表
CREATE TABLE employee (
id int(11) NOT NULL,
name varchar(50) NOT NULL,
salary decimal(10,2) ...]]></description><category></category></item><item><title><![CDATA[【Task 4】实战大项目]]></title><link>https://blog.csdn.net/ocean56/article/details/99412238</link><guid>https://blog.csdn.net/ocean56/article/details/99412238</guid><author>ocean56</author><pubDate>Tue, 13 Aug 2019 10:25:14 +0800</pubDate><description><![CDATA[模拟登录丁香园，并抓取论坛页面所有的人员基本信息与回复帖子内容。

丁香园论坛：http://www.dxy.cn/bbs/thread/626626#626626。

思路介绍：



    1.首先利用selenium登录网站切换到账号密码表单登录

  js1 = 'document.querySelector("#j_loginTab1").style.displ...]]></description><category></category></item><item><title><![CDATA[任务3 - 逻辑回归算法梳理]]></title><link>https://blog.csdn.net/ocean56/article/details/99291028</link><guid>https://blog.csdn.net/ocean56/article/details/99291028</guid><author>ocean56</author><pubDate>Mon, 12 Aug 2019 10:46:40 +0800</pubDate><description><![CDATA[1.信息论基础（熵 联合熵 条件熵 信息增益 基尼不纯度）

香农公式：

在被高斯白噪声干扰的信道中，传送的最大信息速率C由下述公式确定：

C=W*log₂（1+S/N) （bit/s)


2.决策树的不同分类算法（ID3算法、C4.5、CART分类树）的原理及应用场景

ID3算法


　　ID3算法的核心是在决策树各个结点上应用信息增益准则选择特征，递归地构建决策树。

　　具体方法...]]></description><category></category></item></channel></rss>