dive-into-AI

将Python CLI工具发布为pip模块的完整指南 一、前期准备 注册PyPI账户 访问PyPI官网注册账户 推荐使用双因素认证增强安全性 生成API令牌 访问PyPI账户管理 生成具有"Uploa

在分析之前，先将数据集 birthwt 中的分类变量 low、race、smoke、ht 和 ui 转换成因子。 获取数据框里每个变量的常用统计量是一种快速探索数据集的方法，这可以通过下面的一个命令实

1. 初识 ggplot2 包 ggplot2 包提供了一套基于图层语法的绘图系统，它弥补了 R 基础绘图系统里的函数缺乏一致性的缺点，将 R 的绘图功能提升到了一个全新的境界。ggplot2 中各种

在实际的问题中，数据分析者面对的可能是有几十万条记录、几百个变量的数据集。处理这种大型的数据集需要消耗计算机比较大的内存空间，所以尽可能使用 64 位的操作系统和内存比较大的设备。否则，数据分析可能要

缺失值处理 在实际的数据分析中，缺失数据是常常遇到的。缺失值（missing values）通常是由于没有收集到数据或者没有录入数据。 例如，年龄的缺失可能是由于某人没有提供他（她）的年龄。大部分统计

有时数据集来自多个地方，我们需要将两个或多个数据集合并成一个数据集。合并数据框的操作包括纵向合并、横向合并和按照某个共有变量合并。 1.纵向合并：rbind( ) 要纵向合并两个数据框，可以使用 rb

用 R 基本包 在实际的数据分析中，分析者往往需要花费大量的精力在数据的准备上，将数据转换为分析所需要的形式。遗憾的是，大多数统计学教材很少涉及这一重要问题。整理数据是统计学的任务之一。我们开始关注

1. 导出数据 由于 R 主要用于数据分析，导入文件比导出文件更常用，但有时我们也需要将数据或分析结果导出。函数 write.table( ) 和 write.csv( ) 可以分别将数据导出到一个

实际上，R 中有大量的内置数据集可用于分析和实践，我们也可以在R 中创建模拟特定分布的数据。而在实际工作中，数据分析者更多时候面对的是来自多种数据源的外部数据，即各式各样扩展名的数据文件，如 .txt

任何数据分析的第一步都是按照所需要的格式创建数据集。在 R 中，这个任务包括两个步骤：首先选择一种数据结构来存储数据，然后将数据输入或者导入这个数据结构中。下面介绍 R 中用于存储数据的多种数据结构。

常用算术运算符 运算符 描述 + 加法 − 减法 * 乘法 / 除法 ^或** 求幂 %% 求余 %/% 整数除法 注意，R 区分大小写。 常用数学函数 abs(x) sqrt(x) sin(x)、c

AI开发硬件基础经验 笔记本选配 出于通勤等因素，建议型号 MacBook Air M1 16+ 256 MacBook Pro M1 16 + 256 M1芯片的mbp非常强大，发热不严重，甚至在A

AI开发软件环境介绍 关于软件方面： 1.ubuntu操作系统的安装 2.抛弃bash,拥抱zsh 3.软件包管理器的使用， 4.安装NVIDIA GPU驱动 5.软件安装:Anaconda

Pytorch：权值初始化 在搭建好网络模型之后，首先需要对网络模型中的权值进行初始化。权值初始化的作用有很多，通常，一个好的权值初始化将会加快模型的收敛，而比较差的权值初始化将会引发梯度爆炸或者梯度

nn网络层-池化-线性-激活函数层 池化层 池化的作用则体现在降采样：保留显著特征、降低特征维度，增大 kernel 的感受面。 另外一点值得注意：pooling 也可以提供一些旋转不变性。 池化层可

nn网络层-卷积层 1D/2D/3D 卷积 卷积有一维卷积、二维卷积、三维卷积。一般情况下，卷积核在几个维度上滑动，就是几维卷积。比如在图片上的卷积就是二维卷积。 一维卷积 二维卷积 三维卷积 二维卷

模型容器与AlexNet构建 除了上述的模块之外，还有一个重要的概念是模型容器 (Containers)，常用的容器有 3 个，这些容器都是继承自nn.Module。 nn.Sequetial：按照顺

模型创建与nn.Module 创建网络模型通常有2个要素： 构建子模块 拼接子模块 调用net = LeNet(classes=2)创建模型时，会调用__init__()方法创建模型的子模块。 训练调

torchvision.transforms.Pad 功能：对图像边缘进行填充 padding: 设置填充大小 当为 a 时，上下左右均填充 a 个像素 当为 (a, b) 时，左右填充 a 个像素，

数据增强 Data Augmentation 数据增强又称为数据增广，数据扩增，它是对训练集进行变换，使训练集更丰富，从而让模型更具泛化能力。 由于图片经过 transform 操作之后是 tenso