avatar
Articles
829
Tags
252
Categories
168

Yan 的杂物志_个人主页分享
Search
数据分析工具_SuperSet
Created2023-02-11|2_Note0_Technic2_算法3_数据数据分析
介绍 SuperSet 是一款开源可视化 BI(商业智能)Web 应用程序。它通过创建和分享 dashboard,为数据分析提供了轻量级的数据查询和可视化方案。其优点如下: 不需要自己去搭服务,写前端页面,直接生成分析图 可接入多种数据源 安装方便,学习成本较低 安装 使用 docker 安装启动方法如下: 12345678910111213docker search supersetdocker pull amancevice/superset # 星最多,最新版的mkdir -p /opt/module/docker/superset/conf mkdir -p /opt/module/docker/superset/data# 启动docker run --name superset -u 0 -d -p 8088:8088 -v /opt/module/docker/superset/conf:/etc/superset -v /opt/module/docker/superset/data:/var/lib/superset amancevice/superset# 进入 ...
论文阅读_图形图像_U-NET
Created2023-02-08|2_Note0_Technic2_算法8_图形图像AI绘画
英文名称: U-Net:Convolutional Networks for Biomedical Image Segmentation 中文名称: U-Net:用于生物医学图像分割的卷积网络 论文地址: http://link.springer.com/10.1007/978-3-319-24574-4_28 出处:journal: Medical Image Computing and Computer-Assisted Intervention–MICCAI 2015 时间: 2015 1 读后感 本文主要针对的问题是优化生物医学图像领域的图像识别,之前图像模型往往需要数千张标注图片训练。而医学影像数据往往存在图片大,图片中内容多(比如一张图中可能有很多的不正常细胞),难以做几千张图片的标注,除了正常异常,还常常需要标出具体位置。之前的方法是用滑动窗口将图像切成小块训练,这种方法比较慢图像重叠造成冗余,还要根据具体情况考虑切分方法,才能在上下文和效率之取得平衡。 文中提出的解决方法是:设计了U 型网络结构和训练策略,相对于普通的卷积网络,增加了右侧的上采样卷积,从而恢复图像。 最 ...
蓝思指数
Created2023-01-08|2_Note0_Technic0_工具其它
1 蓝思指数 蓝思阅读指数,所谓的 Lexile(蓝思指数),是美国科学基金会 (National Science Foundation,United States 简称 NSF) 为提高学生的阅读能力,而研究出的一种衡量学生阅读水平和标识书籍难易程度的一套标准。 2 地址 http://lexile.com 3 分级表 Pasted image 20221207185918.png 4 查书的难度 https://hub.lexile.com/find-a-book/book-results 5 计算段落的难度 Analyzer 工具,可以免费测试 250 个单词以内的段落的蓝思值。 https://hub.lexile.com/analyzer 6 问题 英语是拼读语言,大部分单词符合拼读规则。蓝思指数源自美国,对于英语是母语的人,看到拼写基本会读,会读就知道大概意思。而很多单词我们能大概拼出来也不知道是什么意思。 找了几篇难度在 700 左右的文章,看了看觉得难度差异非常大,感觉用这个直接给娃找书……仅供参考吧。
文献工具_Zotero
Created2023-01-08|2_Note0_Technic0_工具笔记工具zotero
之前一直用在线的 readpaper 看论文,可是文献一多,就觉得分类功能比较弱,也不太好找,另外没办法做整篇笔记,也不能和笔记工具连起来,有点难受。 昨天同事推荐了 Zotero 和 Endnote,看了几篇文章都说 Zotero 比 Endnote 好用,另外,它还能导出 Obsidian Note,在 O 和 Z 之间互相跳转,以及和 Chrome 结合。 1 简介 Zotero 用于收集、组织、引用、分享各类资料,支持网页版,注册账号之后在多端自动同步以及使用浏览器插件。 2 用后感 安上后发现除了论文还支持书籍文献等等功能。感觉 Zotero 覆盖了之前使用软件的所有功能,软件版本也更稳定,翻译也很流畅。 3 安装 Linux 版本 3.1 下载 https://www.zotero.org/ 3.2 安装 12345678910tar xvjf Zotero-6.0.19_linux-x86_64.tar.bz2mv Zotero_linux-x86_64/ /opt/cd /opt/Zotero_linux-x86_64/chmod 777 zoterochmod 777 ...
论文阅读_深度强化学习综述
Created2023-01-03|2_Note0_Technic2_算法15_强化学习
journal: IEEE Conference on Industrial Electronics and Applications (ICIEA) name_ch: 深度强化学习:简要概述 name_en: A Brief Survey of Deep Reinforcement Learning date_publish: 2017 读后感 本篇介绍包含:应用场景;基于策略的和基于价值的不同方法;具体算法包含:DQN,TRPO,AC。 这个文章,感觉中间那部分比较乱,结构比较乱,内容也只是皮毛,定义也没讲清楚,也不够深入,最后一部分还行。 1. 介绍 强化学习主要针对:自主的智能体通过与环境交互学习最优行为,通过试错随着时间的推移而改善模型。 之前方法伸缩性差,且主要解释低维问题,深度学习算法近年的发展,借助其函数逼近和表示学习(高维状态和动作空间的降维&分层表示)的能力,能更好解决上述问题。 典型的应用场景,如从视频游戏的帧像素学习玩游戏,又如混合有监督学习和强化学习的 AlphaGO(结合了监督,强化学习和传统的启发式搜索算法),还有机器人等等。 2. 奖利驱动行为 ...
论文阅读_医学异常检测综述
Created2022-11-13|2_Note0_Technic2_算法10_异常检测
英文题目:Deep Learning for Medical Anomaly Detection - A Survey 中文题目:深度学习的医疗异常检测综述 论文地址:https://arxiv.org/pdf/2012.02364.pdf 领域:深度学习,异常检测 发表时间:2021.04 作者:Tharindu Fernando,澳大利亚昆士兰科技大学 出处:ACM Computing Surveys 被引量:1024(谷歌学术) 代码和数据: 阅读时间:22.11.09 1 读后感 主要讨论在医疗数据中使用深度学习方法,以处理影像数据,时间序列为主,同时讨论了医学数据一些特有的属性。 2 介绍 2.1 什么是异常 异常检测的主要任务是识别不符合总体数据分布的数据样本。在医疗领域,除了建模以外,对模型的解释也至关重要。在实际应用中,对异常的定义也比较复杂,比如行为的不一致性;区分噪声与异常;还需要考虑上下文对异常的影响。 2.2 医疗异常的不同 模型在医疗领域的应用包括两部分:诊断(识别当前状态)和预测(未来的状态),这两部分都可能发生异常。 Pasted image 2022 ...
论文阅读_深度学习异常检测
Created2022-11-13|2_Note0_Technic2_算法10_异常检测
英文题目:Deep Learning for Anomaly Detection: A Review 中文题目:基于深度学习的异常检测综述 论文地址:https://arxiv.org/pdf/2007.02500.pdf 领域:异常检测,深度学习 发表时间:2020.01 作者:Guansong Pang,阿德莱德大学 出处:ACM Comput. Surv. 被引量:697(谷歌学术) 代码和数据:见论文附录 A 阅读时间:2022.11.05 全文翻译:https://blog.csdn.net/pingguolou/article/details/117421638 1 读后感 本篇解读的论文发表于 2020 年,主要介绍基于深度学习的异常检测技术,可作为 2009 年发表的那篇高引的传统异常检测综述的互补。前三章主要是相关问题和挑战(1-3 章)。从第四章开始总结了近年来深度异常检测的具体方法,共 3 大分类(4-6 章),11 个小分类。分别对关键直觉,目标函数,基本假设,优势劣势,及应对挑战方法进行讨论。最后讨论了未来的机会,还提供了大量文献列表和训练数据集,实用性强。本 ...
集成工具_Jenkins
Created2022-11-09|2_Note0_Technic0_工具其它
Jenkins 是一个开源软件项目,是基于 Java 开发的一种持续集成工具,用于软件项目的持续集成。简单地说,你可以通过 Jenkins 服务,把 github 上的更新自动安装部署到指定位置。 1 安装 最简单,又不影响系统的方式,还是以 docker 方式安装: 1$ docker run -p 8080:8080 -p 50000:50000 -v jenkins_home:/var/jenkins_home jenkins/jenkins:lts-jdk11 此时 jenkins 的镜像被自动下载,并启动。 2 配置 用浏览器打开 8080 端口。 然后按界面提示从 docker 中的 passwd 文件中找到密码,并登录。 如果是第一次使用,选“按推荐安装插件”,等进度条运行结束。 按提示设置管理员用户名和密码。 设置完成后即可开始使用。 3 开始使用 不同版本的界面大同小异: 创建任务 (也叫 " 新建 Item" 或 "New 任务 ") 先尝试一下最常用的流水线任务 (也叫 "Pipeline") 点 Github 项目,然后输入 github 项目地址,SCM ...
论文阅读_异常检测综述
Created2022-10-30|2_Note0_Technic2_算法10_异常检测
英文题目:Anomaly Detection: A Survey 中文题目:异常检测综述 论文地址:https://readpaper.com/paper/2122646361 领域:异常检测 发表时间:2009 作者:VARUN CHANDOLA 等,明尼苏达大学 出处:ACM Computing Surveys 被引量:11797(谷歌学术) 1 读后感 一篇典型的综述文章,快速了解异常检测的定义,用途,方法……发表时间比较早,是机器学习异常检测方法的总结。正文 50 多页,比较长。 2 介绍 文章根据方法对异常检测分类,对于每个类别,提供一个基本的异常检测技术,然后展示该类别中新技术与基本技术的差异,此类技术的优缺点及计算复杂度。 异常一般包含:异常 (anomalies)、离群点 (outliers)、不一致的观察结果 (discordant observations)、特例 (exceptions)、畸变 (aberrations)、意外 (surprises)、特性 (peculiarity) 或污染 (contaminants)。其中又以异常和离群点最为常见。 异常检测的 ...
论文阅读_模型剪枝_彩票假设
Created2022-10-06|2_Note0_Technic2_算法5_模型结构网络结构
英文题目:The Lottery Tickets Hypothesis for Supervised and Self-supervised Pre-training in Computer Vision Models 中文题目:用基于彩票假设方法裁剪视觉模型 论文地址:https://arxiv.org/pdf/2012.06908.pdf 领域:机器视觉,深度学习,模型剪枝 发表时间:2021 作者:Tianlong Chen 等,德克萨斯大学 出处:CVPR 被引量:26 代码和数据:https: //github.com/VITA-Group/CV_LTH_Pre-training 阅读时间:22.10.06 读后感 文章介绍了一种针对图像处理的剪枝算法,不同与以往先训练后剪枝的方法,它的目标是直接训练出一个稀疏的子网络,并使子网络性能与稠密网络性能相当。 介绍 预训练模型提升了计算机视觉的效果,目前主流的方法是有监督学习和半监督学习。作者提出:可否在不影响下游任务性能的同时,降低预训练模型的复杂度? 文中提出基于彩票假设的方法(lottery ticket hypothesi ...
1…373839…83
avatar
Yan.xie
顺流而下还是逆流而上?
Articles
829
Tags
252
Categories
168
Follow Me
Announcement
This is my Blog
Recent Post
对谈_250610_抑郁2_少年的困境2025-07-07
对谈_250610_抑郁3_边缘叛逃者2025-07-07
对谈_250616_抑郁4_不合适的目标2025-07-07
对谈_250618_抑郁5_反刍2025-07-07
对谈_250530_钻空子2025-07-07
Categories
  • 0_IMO76
    • 工作1
    • 说给一个人听75
      • 01_自我建构29
        • 实修3
        • 思考与觉悟14
        • 行动与进化12
      • 02_情绪心理16
Tags
技术 自动驾驶 论文阅读 旅游 卡片 LLM 叙事心理学 神经网络 大语言模型 概率 Pytorch 成长 知识图/知识图谱 远程桌面 抑郁 数据分析 Android Python Linux 移动开发 关系 reading 视频处理 社会学 美食 大模型 阅读/育儿 开发 关系反转 开源许可 心理 writing 知识库 焦虑 咖啡拉花 人工智能 机器学习 社会现象 职场 大模型/应用
Archives
  • July 202520
  • June 202539
  • May 202530
  • April 202516
  • March 202512
  • February 20252
  • January 20256
  • December 20242
Info
Article :
829
Total Count :
1147.7k
UV :
PV :
Last Push :
©2020 - 2025 By Yan.xie
Framework Hexo|Theme Butterfly
京公网安备11010802043346号
京ICP备2023029600号-1
Search
Loading the Database