240 发简信
马光98
IP属地：福建
  • 120
    180
    马光98
    Nginx从听说到学会

    第一章 Nginx简介 Nginx是什么 没有听过Nginx？那么一定听过它的“同行”Apache吧！Nginx同Apache一样都是一种WEB服务器。基于REST架构...

    JokerW
    32747 24 1002 4
  • 180
    马光98
    申请lets encrypt的通配符证书

    centos 7 1、安装certbot 2、准备好域名，进到域名解析管理界面命令行： 命令说明：certonly 表示仅申请证书-d 需要申请证书的域名，可多个，可通配符...

    贺鱼
    696 0 1
  • 120
    180
    马光98
    C++学习攻略一一怎样学好C++语言

    之前发过一篇C语言要这样才能学好，本文来讲讲怎样学好C++。我把我个人的一些学习经验写在这里，希望对大家有用。首先，因为如何学好C语言中谈到了算法和系统，所以这里就只谈C++...

    鑫韭缘设计
    1401 3 47
  • 180
    马光98
    推荐书目 - C++学习资料

    前言 在本文的前半部分我我会谈谈 我看过的书，和我个人的一些理解 ，并且会提供 C++标准委员会相关链接 和 C++第三方轮子/库总结 。本文的后半部分翻译了来自 The D...

    yche
    5529 5 147
  • 120
    180
    马光98
    硬连接与软连接

    要理解硬连接（hard link）与软连接（symbolic link）的差别，首先要知道 Linux 中文件是如何存储的： 对于每个文件，都会存在一个 inode，inod...

    1480 0 0
  • 180
    马光98
    Python Django 的学习路径

    注：本文是应可乐兄 @Yi罐可乐 的邀请写下的简短文章，也是对自己学习 Python web 开发的一个总结与交待。 文章首发于与可乐合著的 github 仓库：python...

    Tim_Lee
    19027 7 406 1
  • 180
    马光98
    变量与环境变量

    这里指的变量就是shell中的变量，常被用来用于记录某个值，在shell中的变量也有不同的类型，可以参与运算，也有作用域限定 在shell中声明变量，赋值变量十分简单，但是变...

    1150 0 0
  • 180
    马光98
    过度拟合

    针对拟合函数，通常会有三种状况，分别是欠拟合，正常和过度拟合 欠拟合是指假设函数对于样本集本身就拟合结果不佳，很容易直观看出来 而过度拟合是指假设函数为了完美的拟合样本集，引...

    5482 0 1
  • 180
    马光98
  • 180
    马光98
    逻辑回归

    分类问题（Classification）：y的取值只能为某些离散的固定的值，如0，1 对于分类问题，如果用线性回归，会发现几点问题 1.线性回归可能会出现远小于可能出现的最小...

    501 0 0
  • 120
    180
    马光98
    第一次作业

    第一次作业十分简单，分为三个任务，针对的是单个参数的线性回归方程，还有个选做题，针对的是多个参数的线性回归方程 第一个用于熟悉上传系统，略去 第二个要求是自己编写一个计算代价...

    180 0 0
  • 120
    180
    马光98
    Octave 循环与向量化

    虽然没有强制要求，最好还是通过缩进来表达逻辑关系 整个if结束了才用end 因为之前是按照上课演示的敲，发现每个条件后面都会跟一个逗号，所以测试一下没有逗号是否可以运行 向量...

    1267 0 0
  • 120
    180
    马光98
    Octave 基础命令

    通过PS1('>>')可更改指令的前导符，将''中的内容变为前导符，如下文将>>更为前导符 load xxx.dat 或 load ('xxx.dat')读取某数据文件（在当...

    1158 0 0
  • 120
    180
    马光98
    正规方程

    对于一组训练集，我们可以将其分为三个向量X，Y，Θ 因为对于X, Y, θ来说，他们符合h(x)=y，所以矩阵意义上来说 X · θ = Y 对于一般的方程式，若想知道θ的值...

    1304 0 0
  • 120
    180
    马光98
    特征缩放与学习速率

    在多项特征中，有可能遇到x1的范围在1~10，而x2的范围在5000~100000，此时由于x1与x2的范围相差太大，会减慢代价函数的梯度下降求极小值，所以我们要对特征进行缩...

    324 0 0
  • 180
    马光98
    多项特征集（Multiple Feature）

    之前的训练集，都是单个x决定y，但是在实际情况中，往往是多项特征值x决定一个y，我们用xj来表示第j个特征。 所以，假设函数将变成： 如果规定x0的值为1 那么假设函数可以写...

    790 0 0
  • 180
    马光98
    梯度下降法

    在寻找代价函数最小值时，我们通常使用梯度下降法（Gradient）来进行寻找 如：对于代价函数 J(θ0, θ1) 我们通过梯度下降的算法为： 其中 := 在数学上是赋值的意...

    222 0 0
  • 180
    马光98
    代价方程

    代价方程（cost function）：用于表示预测值与实际值之间误差的函数 如： 通过使代价方程达到最小值，来确认待确认的参数值 实际上代价方程是关于θ的函数 假设函数（h...

    1033 0 0
  • 180
    马光98
    监督学习与非监督学习

    监督学习（superviced learning）：给一堆“正确的”（实际的）数据集来训练系统，并且要知道输入与输出之间是有关联的，对于输入与输出之间有人工的添加上不同的标签...

    411 0 0
  • 180
    马光98
暂无个人介绍