SUMMERIZE

3月-4月总结

3月开始了学习机器学习。

现在4月5日，需要总结一下，要不然又是乱成一团麻了。

先列出这一个月学习过的内容吧

1 科研方面

看了两篇文章：

A 地区用电类型聚类的文章，主要是运用K-means算法先分类，再结合DBSCAN算法把分类细化，从而达到好的聚类效果。

Aa

K-means：K代表设置的聚类的个数，即簇数（术语记不清楚了！），即K个随机选取的初始的聚类中心，然后根据K的个数开始初始化聚类，计算各个点到K个聚类中心的距离，离哪个聚类中心近就归为哪一簇，然后找出该类的中心点，并不断调整聚类中心，再重复执行以上步骤，直到不再变化为止。劣势是对于特殊形状的聚类效果不好，比如笑脸。

Ab DBSCAN：不需要提前设置分类个数，先设置好半径epsilon和minPts后开始执行算法，如果随机的初始点满足在半径epsilon范围内，有大于等于minPts个节点，则发展下线，再以被包围的这些点为圆心，重复上一步骤，直到不能再发展下线，如果还有其他的点没有被分类，则从这些点中随机再选取一个点执行半径和minPts的步骤，一直到全部点都被分类。优势是可以应对任意形状的聚类问题，而且效果符合预期。

B OFDM系统中应用深度神经网络Deep Neural Network的性能分析

Ba 文章先通过已知的信道数据，仿真出了信源x和恢复译码出的y，并以此作为训练数据，训练DNN模型，之后运用训练后的DNN模型直接译码，避免了传统OFDM系统接收端复杂的反向过程，并且误码率性能与MMSE和LS检测算法相比，具有明显优势，而且在不加CP、没有导频、改变信道的最大频移等不利的情况下，OFDM-DNN具有最好的误码率性能和鲁棒性。

Bb 深度神经网络：指的是隐藏层比较多的神经网络。Neural Network包括输入层（input）、隐藏层（hidden layer）以及输出层（output）,每一层都含有不同个数的神经元。最重要的两个参数是weights和biases，通过大量的训练数据，模型不断的调整weights和biases的取值，使模型达到可以近乎准确的预测效果。

Bc 神经网络的搭建流程：？

Bd 神经网络python实现：？

2 工作方面

或深或浅的学过，好像没有深入学过什么啊！因为感觉没有掌握到什么东西！太可怕了！一定不再这样了！这样就是在浪费生命啊！

先回忆一下大致看过学过什么吧！

A k-learning错了！ 应该是sklearn，强化学习

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

莫烦的视频用sklearn库做了什么？字符串寻宝的游戏

B Q什么？记混淆了!Q-learning

用Q-learning算法进行了在4*4地图上有陷阱有宝藏的情况下找到到达宝藏的最短路径

C 聚类算法：

Cak-means

Cb DBSCAN

D 唐宇迪视频中的numpy

E 神经网络的搭建

F 构造一个分配维修任务的demo，先用matlab写了一部分，接下去要继续写。

3 自学内容

A 数据库视频

要接着学习下去，不要忘记了，搁置了！

3-4月接触了这么多内容，到底学习到了多少呢？