前言 这周我们参考的是《机器学习实战：基于Scikit-Learn、Keras和TensorFlow》第四章的内容，进行对于线性模型问题的探讨，本文你将学会的知识： 机器学习中（其他）适用于分类的性能度量方法 多分类策略 涉及多分类问题的性能度量 多标签与多输出分类

前言 这周我们参考的是《机器学习实战：基于Scikit-Learn、Keras和TensorFlow》第三章的内容，进行对于分类问题的探讨，本文你将学会的知识： 机器学习中（其他）适用于分类的性能度量方法 多分类策略 涉及多分类问题的性能度量 多标签与多输出分类 mnist数据集(二分类) 我们本次训练的数据是著名的mnist数据集，从mnist.keys()我们可以看到其包

前言 最近重新捡起《机器学习实战：基于Scikit-Learn、Keras和TensorFlow》这本书，同时在整理西瓜书，以及白板推导的相关笔记，准备好好学习本科期间最想学习的机器学习，这篇文章按照原书的代码进行，一步步介绍机器学习的一般步骤。 本文，你即将掌握的知识： 机器学习处理实际数据将会采用的方法 数据处理过程中使用的重要函数的使用方法 评价模型性能的过程 处理过程

因为研究生的需要，最近需要整理一下准备学习的资料，其中就把涉及机器学习的资料进行了整理 我目前学习的资料绝大部分还是19年左右的，问题是不够新，虽然我们目前学习的知识并不是以跟紧前沿为主，但是如果有比较新而且又比较好的教程还是非常值得推荐的 目前我准备学习的机器学习教程有： b站白板机器学习推导，特点是步步推导，细细梳理，但是对数理统计那块基础知识要求有点高 李航的统计学习方法，特点是

2020年的时候，我曾经安装过anaconda3，但是电脑最近中了次毒，很多东西都损坏了，呜呜呜 于是重新安装了anaconda3， 安装完后还需要设置环境变量： 12345E:\AnacondaE:\Anaconda\Scripts E:\Anaconda\Library\mingw-w64\binE:\Anaconda\Libr

@[TOC] # 概括 今天的任务还是把昨天的知识进行实操练习 简要概括如下： 1. 运行表达定量比对的R程序 2. 继续进行批量操作 3. 将表达定量的结果合并成矩阵 4. 了解最后的定量矩阵、标准化矩阵、TMM算法调整的矩阵 主要程序过程如下： 12345678910Rscript script/run-featurecounts.R -b ../1.Mapping/BLO_S1_L

今日的工作： 完成24个转录组数据的比对（到参考基因组） 1.处理参考基因组，黑盒模型——hisat2 2.hisat2比对出sam 3.samtools 转sam为bam 4.生成bam index方便后续IGV软件操作 熟悉：htop，hisat 问题： samtools: error while loading shared libraries: libncurses.s

今日的工作： 完成R语言部分的对接 使用R包'rsubread'将对比对后的reads数据比对到具体基因上 完成差异表达量的计算，构建矩阵（perl） 遇到的问题 还是共享包的问题 昨天在准备使用samtools的时候，遇到了共享库未成功安装/检索连接的问题，今天准备用R的时候也还是遇到了——libreadline这个共享库未成功检索到的难题。 我按照昨天的教程重新安装了'l

01 引言(多元线性回归) “多元线性回归本质上与单元变量线性回归没太大区别” 增添更多特征后，我们引入一系列新的注释： 引入多元变量后，我们直接把原来的函数 简写为 ## 多元线性回归 #### 梯度下降 多元变量的线性回归的梯度下降与一元的没什么区别 梯度下降技巧01-特征缩放 在我们面对多维特征问题的时候，我们要保证这些特征都具有相近的尺度，这将帮助梯度下降算法更快地收敛。

01 概念 什么是机器学习？ T:任务，目的，结果 E:训练集，经验值 h：假设，方程 p：置信区间 一个程序被认为能从经验E中学习, 解决任务T，达到性能度量值P，当且仅当，有了经验E后，经过P评判，程序在处理T时的性能有所提升。 我认为经验E就是程序上万次的自我练习的经验而任务，T是下棋。性能度量值P呢，就是它在与一些新的对手比赛时，赢得比赛的概率。 更经典的定义：