菅週6/14 - 100日コード
2920 ワード
36日目
私のデザインプロジェクトコースのすべての提出物を包んだ.
Unityと共に働くことは、良い経験でした.唯一の問題は高いGPU要件lolでした.
Unityを学ぶための驚くべきチャンネルです!チューリングマシンクイズ今週-ので、それを学んだ.
37日目
システムソフトウェアラボ試験が起こった.我々はユニークなラベル生成とラウンドロビン過程で2パスのマクロプロセッサを実装しなければならなかった.
私はいくつかのデータアンプの時系列コースを行いました.私は、実世界予測のための株式市場の時系列モデルにより多くの要因を含む必要についてつぶやきを読みました.Ada予測は同じかな?
私は、マックスTegmarkでAIと物理学の上で全く驚くべきものに耳を傾けました.それは私にとって目の開幕だった-人類にとってのAIの最大の脅威は、我々が適切にニューラルネットワークと多くの技術信託ユーザーのプライバシーを理解していないということです.彼らは、OFAI(旧式の愛)について焦点を当てて、物理学、外国人の新しい法則とそれ以上のものを発見して、思考の物理パターンがこれらに対抗することができる方法について議論しました.
38日目
私は、データ洞察を得るためにタブローを使う方法を学びました.これは、ビジュアルの作成に最適です-私はPowerPointとダッシュボードの間のハイブリッドを作成できるストーリー機能が大好きです.しかし、マイクロソフトPower BIで働くことは、私のためにより直観的な感じがします.これは、データの書式設定のためのより多くの機能を持って、任意のフォームにそれを得る.
そして、私は1月LeetCode挑戦の56 %を終えました-先週、それは私に対する料金でした.しかし、ええ-それはないleetcodeよりも良い方法です.私は、貪欲なアプローチ、数学的観察とビット操作を含む概念で4つの質問を解決しました.私は、セットのためにC++ STLが本当にものすごいとわかりました.
39日目
その他のデータ解析と視覚化.私はタブローのストーリーとパワーデータのダッシュボードを作成しました.「原子癖」で「正しく見えなかった男性」に達しました.私と立ち往生した部分は
"Until you make the unconscious conscious, it will direct your life and you will call it fate" - Carl Jung
Leetcode 2月チャレンジを開始しました.貪欲法の学習基礎
40日目
次のMLユースケースで作業を開始-機器の故障を予測するためです.残念ながら、それは実際の世界データセットではなく、おもちゃのデータセットです.彼らは、我々がKaggleのように予測するべきコラムを持っていません.その代わりに、彼らはメンテナンスログを我々に与えました、そして、我々はそこから推論しなければなりませんか?私たちはあまりにも多くのデータをクリーニングする必要があります.
41日目
私は同じようなユースケースを調査する日を過ごしました.私は、これが私が欲しいものにかなり近いと思います:
https://github.com/Azure/lstms_for_predictive_maintenance
私は予測のメンテナンスについてあまりにも多くの研究論文を読んで、それはかなり魅力的です.今の私の最大の課題は
のデータ掃除
システムソフトウェアラボ試験が起こった.我々はユニークなラベル生成とラウンドロビン過程で2パスのマクロプロセッサを実装しなければならなかった.
私はいくつかのデータアンプの時系列コースを行いました.私は、実世界予測のための株式市場の時系列モデルにより多くの要因を含む必要についてつぶやきを読みました.Ada予測は同じかな?
私は、マックスTegmarkでAIと物理学の上で全く驚くべきものに耳を傾けました.それは私にとって目の開幕だった-人類にとってのAIの最大の脅威は、我々が適切にニューラルネットワークと多くの技術信託ユーザーのプライバシーを理解していないということです.彼らは、OFAI(旧式の愛)について焦点を当てて、物理学、外国人の新しい法則とそれ以上のものを発見して、思考の物理パターンがこれらに対抗することができる方法について議論しました.
38日目
私は、データ洞察を得るためにタブローを使う方法を学びました.これは、ビジュアルの作成に最適です-私はPowerPointとダッシュボードの間のハイブリッドを作成できるストーリー機能が大好きです.しかし、マイクロソフトPower BIで働くことは、私のためにより直観的な感じがします.これは、データの書式設定のためのより多くの機能を持って、任意のフォームにそれを得る.
そして、私は1月LeetCode挑戦の56 %を終えました-先週、それは私に対する料金でした.しかし、ええ-それはないleetcodeよりも良い方法です.私は、貪欲なアプローチ、数学的観察とビット操作を含む概念で4つの質問を解決しました.私は、セットのためにC++ STLが本当にものすごいとわかりました.
39日目
その他のデータ解析と視覚化.私はタブローのストーリーとパワーデータのダッシュボードを作成しました.「原子癖」で「正しく見えなかった男性」に達しました.私と立ち往生した部分は
"Until you make the unconscious conscious, it will direct your life and you will call it fate" - Carl Jung
Leetcode 2月チャレンジを開始しました.貪欲法の学習基礎
40日目
次のMLユースケースで作業を開始-機器の故障を予測するためです.残念ながら、それは実際の世界データセットではなく、おもちゃのデータセットです.彼らは、我々がKaggleのように予測するべきコラムを持っていません.その代わりに、彼らはメンテナンスログを我々に与えました、そして、我々はそこから推論しなければなりませんか?私たちはあまりにも多くのデータをクリーニングする必要があります.
41日目
私は同じようなユースケースを調査する日を過ごしました.私は、これが私が欲しいものにかなり近いと思います:
https://github.com/Azure/lstms_for_predictive_maintenance
私は予測のメンテナンスについてあまりにも多くの研究論文を読んで、それはかなり魅力的です.今の私の最大の課題は
のデータ掃除
その他のデータ解析と視覚化.私はタブローのストーリーとパワーデータのダッシュボードを作成しました.「原子癖」で「正しく見えなかった男性」に達しました.私と立ち往生した部分は
"Until you make the unconscious conscious, it will direct your life and you will call it fate" - Carl Jung
Leetcode 2月チャレンジを開始しました.貪欲法の学習基礎40日目
次のMLユースケースで作業を開始-機器の故障を予測するためです.残念ながら、それは実際の世界データセットではなく、おもちゃのデータセットです.彼らは、我々がKaggleのように予測するべきコラムを持っていません.その代わりに、彼らはメンテナンスログを我々に与えました、そして、我々はそこから推論しなければなりませんか?私たちはあまりにも多くのデータをクリーニングする必要があります.
41日目
私は同じようなユースケースを調査する日を過ごしました.私は、これが私が欲しいものにかなり近いと思います:
https://github.com/Azure/lstms_for_predictive_maintenance
私は予測のメンテナンスについてあまりにも多くの研究論文を読んで、それはかなり魅力的です.今の私の最大の課題は
のデータ掃除
私は同じようなユースケースを調査する日を過ごしました.私は、これが私が欲しいものにかなり近いと思います:
https://github.com/Azure/lstms_for_predictive_maintenance
私は予測のメンテナンスについてあまりにも多くの研究論文を読んで、それはかなり魅力的です.今の私の最大の課題は
のデータ掃除
日42
本当にクールなPython関数を見つけました.
# if u r reading from many csv files
li=[]
li.append(df)
li.append(df)
frame = pd.concat(li, axis=1)
# if Date is in this form 01-JAN-15 00:01:00.0 and we need to convert to python date time
frame['Date']=frame['Date'].str[0:7].astype(str)+'20'+ frame['Date'].str[7:].astype(str)
frame['Date'] = pd.to_datetime(frame['Date'], format='%d-%b-%Y %H:%M:%S.%f')
# for setting a value in pandas data frame when a condition is satisfied
frame.loc[(frame['Date'] >= dt.datetime(year=2015,month=1,day=1)) & (frame['Date'] < dt.datetime(year=2015,month=1,day=2)), 'is_failure'] = 1
バイ!
成層圏
Reference
この問題について(菅週6/14 - 100日コード), 我々は、より多くの情報をここで見つけました
https://dev.to/codebyru/week-6-14-100-days-of-code-24ag
テキストは自由に共有またはコピーできます。ただし、このドキュメントのURLは参考URLとして残しておいてください。
Collection and Share based on the CC Protocol
# if u r reading from many csv files
li=[]
li.append(df)
li.append(df)
frame = pd.concat(li, axis=1)
# if Date is in this form 01-JAN-15 00:01:00.0 and we need to convert to python date time
frame['Date']=frame['Date'].str[0:7].astype(str)+'20'+ frame['Date'].str[7:].astype(str)
frame['Date'] = pd.to_datetime(frame['Date'], format='%d-%b-%Y %H:%M:%S.%f')
# for setting a value in pandas data frame when a condition is satisfied
frame.loc[(frame['Date'] >= dt.datetime(year=2015,month=1,day=1)) & (frame['Date'] < dt.datetime(year=2015,month=1,day=2)), 'is_failure'] = 1
Reference
この問題について(菅週6/14 - 100日コード), 我々は、より多くの情報をここで見つけました https://dev.to/codebyru/week-6-14-100-days-of-code-24agテキストは自由に共有またはコピーできます。ただし、このドキュメントのURLは参考URLとして残しておいてください。
Collection and Share based on the CC Protocol