SUMMERIZE

3月-4月總結(jié)

3月開始了學(xué)習(xí)機(jī)器學(xué)習(xí)。

現(xiàn)在4月5日，需要總結(jié)一下，要不然又是亂成一團(tuán)麻了。

先列出這一個月學(xué)習(xí)過的內(nèi)容吧

1 科研方面

看了兩篇文章：

A 地區(qū)用電類型聚類的文章，主要是運(yùn)用K-means算法先分類，再結(jié)合DBSCAN算法把分類細(xì)化，從而達(dá)到好的聚類效果。

Aa

K-means：K代表設(shè)置的聚類的個數(shù)，即簇數(shù)（術(shù)語記不清楚了?。碖個隨機(jī)選取的初始的聚類中心，然后根據(jù)K的個數(shù)開始初始化聚類，計(jì)算各個點(diǎn)到K個聚類中心的距離，離哪個聚類中心近就歸為哪一簇，然后找出該類的中心點(diǎn)，并不斷調(diào)整聚類中心，再重復(fù)執(zhí)行以上步驟，直到不再變化為止。劣勢是對于特殊形狀的聚類效果不好，比如笑臉。

Ab DBSCAN：不需要提前設(shè)置分類個數(shù)，先設(shè)置好半徑epsilon和minPts后開始執(zhí)行算法，如果隨機(jī)的初始點(diǎn)滿足在半徑epsilon范圍內(nèi)，有大于等于minPts個節(jié)點(diǎn)，則發(fā)展下線，再以被包圍的這些點(diǎn)為圓心，重復(fù)上一步驟，直到不能再發(fā)展下線，如果還有其他的點(diǎn)沒有被分類，則從這些點(diǎn)中隨機(jī)再選取一個點(diǎn)執(zhí)行半徑和minPts的步驟，一直到全部點(diǎn)都被分類。優(yōu)勢是可以應(yīng)對任意形狀的聚類問題，而且效果符合預(yù)期。

B OFDM系統(tǒng)中應(yīng)用深度神經(jīng)網(wǎng)絡(luò)Deep Neural Network的性能分析

Ba 文章先通過已知的信道數(shù)據(jù)，仿真出了信源x和恢復(fù)譯碼出的y，并以此作為訓(xùn)練數(shù)據(jù)，訓(xùn)練DNN模型，之后運(yùn)用訓(xùn)練后的DNN模型直接譯碼，避免了傳統(tǒng)OFDM系統(tǒng)接收端復(fù)雜的反向過程，并且誤碼率性能與MMSE和LS檢測算法相比，具有明顯優(yōu)勢，而且在不加CP、沒有導(dǎo)頻、改變信道的最大頻移等不利的情況下，OFDM-DNN具有最好的誤碼率性能和魯棒性。

Bb 深度神經(jīng)網(wǎng)絡(luò)：指的是隱藏層比較多的神經(jīng)網(wǎng)絡(luò)。Neural Network包括輸入層（input）、隱藏層（hidden layer）以及輸出層（output）,每一層都含有不同個數(shù)的神經(jīng)元。最重要的兩個參數(shù)是weights和biases，通過大量的訓(xùn)練數(shù)據(jù)，模型不斷的調(diào)整weights和biases的取值，使模型達(dá)到可以近乎準(zhǔn)確的預(yù)測效果。

Bc 神經(jīng)網(wǎng)絡(luò)的搭建流程：？

Bd 神經(jīng)網(wǎng)絡(luò)python實(shí)現(xiàn)：？

2 工作方面

或深或淺的學(xué)過，好像沒有深入學(xué)過什么?。∫?yàn)楦杏X沒有掌握到什么東西！太可怕了！一定不再這樣了！這樣就是在浪費(fèi)生命??！

先回憶一下大致看過學(xué)過什么吧！

A k-learning錯了！ 應(yīng)該是sklearn，強(qiáng)化學(xué)習(xí)

A Q-learning、scikit-learn，在python庫中是sklearn

莫煩的視頻用sklearn庫做了什么？字符串尋寶的游戲

B Q什么？記混淆了!Q-learning

用Q-learning算法進(jìn)行了在4*4地圖上有陷阱有寶藏的情況下找到到達(dá)寶藏的最短路徑

C 聚類算法：

Cak-means

Cb DBSCAN

D 唐宇迪視頻中的numpy

E 神經(jīng)網(wǎng)絡(luò)的搭建

F 構(gòu)造一個分配維修任務(wù)的demo，先用matlab寫了一部分，接下去要繼續(xù)寫。

3 自學(xué)內(nèi)容

A 數(shù)據(jù)庫視頻

要接著學(xué)習(xí)下去，不要忘記了，擱置了！

3-4月接觸了這么多內(nèi)容，到底學(xué)習(xí)到了多少呢？