大四 Dissertation 近四周工作反思总结

第一周

根据 Supervisor 所给的 FYP 的 description, 论文以及 Google Search，利用 Latex 写 proposal

参考资料

机器学习: Metric Learning (度量学习)
Metric Learning——度量学习
度量学习笔记(一) | Metric Learning for text categorization
机器学习的分类与主要算法对比
麻省理工公开课：线性代数
线性代数：转置矩阵（matrix transpose）和逆矩阵（matrix inverse）
计算机视觉三大顶级会议ICCV,CVPR,ECCV网址

·····································分割线·······································
进行Latex 编写的工具有：

1. Overleaf 在线编辑并且支持预览
2. 利用 Sublime3 + Latex

image

---

第二周

1. 学习了解 python 里的module：sklearn, pandas, numpy
2. 利用所学的 module 对所给 wNN_test_file_01.csv 文件中的数据进行读取等操作

学习过程中涉及到的参考资料有：

python写入csv文件的几种方法总结

·····································分割线·······································

学习到的 python 文本编辑新工具:
Jupyter notebook*
确保本地的 python （Anaconda）环境已经配置好了
安装和运行 jupyter notebook 的代码:

$ pip install jupyter notebook
$ jupyter notebook

效果图如下

image

image

---

第三周

利用 sklearn 对 wNN_test_file_01.csv 中的数据进行多元线性回归， 实现 kNN、 wNN 算法. 并寻找最合适的 k 值.

学习过程中涉及到的参考资料有：

机器学习系列（十三）——多元线性回归及knn做回归
Python多元线性回归-sklearn.linear_model，并对其预测结果评估
深入浅出KNN算法（二） sklearn KNN实践
回归算法--多元线性回归
吴裕雄 PYTHON 机器学习——KNN回归KNEIGHBORSREGRESSOR模型
利用Sklearn实现DataFrame数据的回归预测，以及对预测结果进行评价
K最近邻算法（KNN）---sklearn+python实现
利用sklearn计算决定系数R2
基于scikit-learn包实现机器学习之KNN(K近邻)-完整示例

·····································分割线·······································

利用 sklearn 做 GridSearch 得到的结果

原生小代码得到的结果

---

第四周

TODO （ddl: 11.14）

# TODO: 1.Find out GridSearchCV
# TODO: 1.Find out uniform and distance in sklearn
# TODO: 2.Find the vector lamada for each x
# TODO: 3.learn about Metric learning in next week from given articles. / Gradient descent

Minkowski Distance 闵式距离不是一种距离，而是一组距离的定义
The Minkowski distance is a metric in a normed vector space which can be considered as a generalization of both the Euclidean distance and the Manhattan distance.

Minkowski Distance

p

weights and uniform

Reference

闵可夫斯基距离
sklearn API Reference
sklearn.grid_search.GridSearchCV
sklearn.neighbors.RadiusNeighborsRegressor
sklearn: Cross-validation
How to find out weights of attributes in K-nearest neighbors algorithm?
Random forest

·····································分割线·······································
经过与CG ETHIC DT ML诸多课程的搏斗， 重新意识到总结，时间规划的重要性，因此画了一个 timetable 的 draft. 希望能够督促自己迎头赶上！

Timetable_Draft (6 am -11 pm)

---

刘月林
写于浙江宁波
2019/11/11