算法相关

本文参考众多技术文章，选取个人认为比较易于理解的例子以及数学公式原理来解读集成学习相关的一些算法，更容易理解。

本文主要介绍了算法领域关于更新权重以及训练模型的重要方法，梯度下降和反向传播，以此为基础很多方法都是类似。

本文主要是介绍LSTM以及更优秀的变体GRU的结构以及数学计算原理，代码部分可以见参考资料，个人还未来得及写个人代码

首先本文章只作为一个应用场景，如何将百度网盘的文件拉取到服务器上，但是经过测试，该方法只适合小文件，大文件不实用

本文主要介绍关于去重的两个函数的区别，具体场景和用法，很多其他第三方包的类似函数一般用法也差不多，可以类比记忆

主要是关于pandas各种拼接操作的详情介绍，每个函数都有各自对应的特殊场景，本文主要做了一些细致介绍的汇总。

由于个人不经常使用这个常见的pandas函数，所以总是用到的时候不熟练需要百度一下，所以本文对该函数进行总结后用于方便自己查看

该文主要包含设置Xshell链接Linux界面 1 方向键出现ABCD问题 2 如何设置左键复制右键粘贴等设置问题

由于公司升级安全系统后，想访问服务器都需要使用跳板机再访问代理服务器，但是有时候第三方软件无法进行数据传输，所以该方法可以提供一个可供选择的方案

以下功能为个人工作中使用频率高的一些Linux文件操作，仅供参考 详细内容可以点进参考资料，后续会有更多补充内容

个人感觉相对来说占位符在简单使用的时候比format方便，但是如果有一些复杂点的操作，就需要用到format，具体什么场景就需要了解两个的不同点

继全连接神经网络以及卷积神经网络后，又一神经网络结构，该借够主要适用于语言模型嘞，需要结合上下文的场景

uniq 前言 很多时候我们需要对数据去重，不管是少量数据还是大量数据，写代码进行去重终究没有使用系统功能直接操作方便

该部分主要介绍卷积神经网络的训练，包含正向传播的部分知识，以及反向传播的原理介绍，具体代码以及具体细节请移步参考资料

引言 仅作为参考，起因是工作中需要用到pandas读取parquet格式的文件，结果发现需要另外安装

引言 本文只是对自己理解交叉熵损失函数的一个总结，并非详尽介绍交叉熵函数的前世今生，细节部分还是需要多加注意

寻找解决样本不均衡方法之Focal Loss与GHM，主要是从损失函数层面优化模型，降低训练时候不同样本之间权重

引言 该文只是简单为本人学习交叉熵损失函数以及focal loss等相关问题的一个补充，所以介绍的不是非常全面

模型分类问题经常遇到正负样本不均衡，难易样本不均衡的情况，通过不同的优化损失函数通常有一个明显的效果

使用场景：使用Bert做一个违规样本分类模型，数据呈现正负样本不均衡，难易样本不均衡等问题，尝试使用损失函数来进行优化