前言：排序算法十分重要，先从快排学起。
给定一个 无重复元素 的 有序 整数数组 nums 。
返回 *恰好覆盖数组中所有数字 的 最小有序 区间范围列表* 。也就是说，nums 的每个元素都恰好被某个区间范围所覆盖，并且不存在属于某个范围但不属于 nums 的数字 x 。
列表中的每个区间范围 [a,b] 应该按如下格式输出：
"a->b" ，如果 a != b"a" ，如果 a == b示例 1：
1 | 输入：nums = [0,1,2,4,5,7] |
示例 2：
1 | 输入：nums = [0,2,3,4,6,8,9] |
提示：
0 <= nums.length <= 20-231 <= nums[i] <= 231 - 1nums 中的所有值都 互不相同nums 按升序排列1 | class Solution: |
1 | class Solution: |
问题背景：推荐系统的一个默认假设：交互数据能够真实反应用户的兴趣和偏好。但是恶意用户会为推荐系统插入虚假反馈破环假设，减低推荐模型性能。因此需要构建鲁棒性的推荐系统模型（能够识别欺诈者，修正用户数据在模型中的权重）
test:
前人相关工作：
主要工作：
本文工作的优势：
图结构：有向二分图
任务1：利用多源数据（user_rating、user_features）进行用户嵌入表示
$z_u$表示user embedding ，且$z_u^0=\pmb{x_u}$
$z_v$表示item embedding，$z_v^0$随机初始化
网络迭代过程是一个信息传递的过程（图卷积迭代）
$e_r$为评分r的embedding（评分就是1到5）
$h_v$表示从item $v\in{N(u)}$节点传递过来的信息，$N(u)$表示用户u交互过的v的集合
通过不断卷积迭代，得到的节点表示综合了节点本身和所有连接到它们的节点信息
任务2：评分预测
欺诈者检测模块是一个有监督分类器：随机森林不可微，因此使用神经随机森林，
$z_u^*$是user的稠密表示，是神经随机树的输入
每个决策节点对应一个权重向量w，和输入特征算内积过sigmoid得到走左子树的概率，右子树概率即为用1去减，根据概率大小（大于0.5走左子树）可以确定每个样本的决策路径，而叶子结点根据最终落进去的样本频数可以得到$y=1，0$的概率分布$\pi$, 通过样本连乘积得到一个batch的联合概率分布
两个模块损失联合训练
yelp数据集：使用前人标记的虚假评论区分虚假用户
amazon数据集：选择收到评论点赞或反对总票数大于20的用户，如果点赞数比例大于0.7标记为正常用户，比例低于0.3标记为欺诈者
线性变换：
欠拟合：欠拟合是指模型拟合程度不高，数据距离拟合曲线较远，或指模型没有很好地捕捉到数据特征，不能够很好地拟合数据。
关于性能度量标准ROC与AUC,下列说法不正确的是 （A）使用排除法
A．均等代价下,ROC曲线不能直接反映出学习器的期望总体代价：ROC评估的就是均等代价下学习器的性能（期望总体代价），非均等代价需要引入代价曲线
B．若某个学习器的ROC曲线被另一个学习器的曲线“包住”,则后者性能优于前者：横轴相等时，外圈真正例率更高，所以外圈曲线更优
C．如果ROC曲线交叉,可以根据ROC曲线下面积大小进行比较,也即AUC值.：ROC不是一个数值，因此可以根据面积大小比较不同分类器的性能，即AUC
D．AUC衡量了样本预测的排序质量：AUC另一个计算方法：所有样本按 Score 值排序后，在样本集中随机抽取 1 个正类样本和 1 个负类样本，AUC 值指出了所抽取的正类样本能排在所抽取的负类样本之前的概率。
ROC曲线： https://zhuanlan.zhihu.com/p/48168711
横轴：假正例率，在所有负例当中， 错误的判断为正例所占的比例。越小越好
纵轴：真正利率，也就是在所有正例当中，正确判断为正例的占的比例，实际就是精度。越大越好
| | | 预测 | 预测 | |
| :—: | :—: | :—: | :—: | ————————————— |
| | | 1 | 0 | |
| 标签 | 1 | TP | FN | 真正利率：TPR =TP/(TP+FN) |
| 标签 | 0 | FP | TN | 假正例率：FPR = FP/(TP+FN) |
AUC：roc曲线下的面积
代价曲线：
ROC 乃至最后计算 AUC 的整个过程中，假 1（FP）和假 0（FN）皆被同等对待（均等代价），但实际情况下FP 和 FN 的后果是不一样的（非均等代价）
目的：对于一个模型，根据p不同，找到使得代价总期望最小的模型的阈值
明确参数 : p=m+/m
横轴：归一化的正概率代价期望
纵轴：归一化的总代价期望
方差偏差
6.关于偏差和方差,下列说法正确的是（D）
A．方差度量了学习算法期望预测与真实结果的偏离程度：偏差
B．偏差度量了同样大小训练集的变动所导致的学习性能的变化：方差
C．噪声表达了在当前任务上任何学习算法所能达到的期望泛化误差的上界：下届
D．一般来说,偏差与方差是有冲突的
方差：不同的训练数据集训练出的模型输出值之间的差异。（预测值离散程度）。刻画的是数据扰动对模型的影响。高方差表示模型过拟合。
偏差：预测值与真实值之间的差值，是衡量预测值与真实值的关系。用所有可能的训练数据集训练出的所有模型的输出的平均值与真实模型的输出值之间的差异。刻画了学习算法本身的拟合能力。 高偏差表明模型欠拟合
噪声(Noise)是当前学习任务上任何学习算法所能达到的期望泛化误差的下界，即表示了任务本身的难度(任何算法误差都不可能低于该噪声值)。
偏差-方差窘境
对数几率回归用于二分类
对于非凸函数（深层神经网络），梯度优化找到的是局部极小值。（好在实践应用中，通过梯度下降法找到的局部最小值，大部分情况下已经可以满足我们的应用需求，并且有时候为了得到更好的结果，用随机初始化训练多次得到多个局部最小值进行比较得到更优的结果。）
参考题目6，深度为4的决策树的拟合能力大于深度为2的决策树(训练充足)，因此var(T1) < var(T2)，bias(T1)>bias(T2)
拟合能力强，方差大，
拟合能力弱，偏差大
决策树确保每个叶子节点为纯类会增加过拟合
你刚刚训练完一个垃圾邮件分类的随机森林,它在验证集上表现异常糟糕,但在训练集上表现良好。假设实现没有错误,以下哪个原因不会导致这个问题?（A）
A．决策树高度过小
B．在选择分割时随机采样了过多的特征
C．森林中的树太少
训练集好，验证集差，考虑出现过拟合
adaboost
先通过对N个训练样本的学习得到第一个弱分类器；
将分错的样本和其他的新数据一起构成一个新的N个的训练样本，通过对这个样本的学习得到第二个弱分类器 ；
将1和2都分错了的样本加上其他的新样本构成另一个新的N个的训练样本，通过对这个样本的学习得到第三个弱分类器；
最终经过提升的强分类器。即某个数据被分为哪一类要由各分类器权值决定。
单层感知机无法解决异或问题
误差逆传播以目标的梯度负方向对参数进行调整
关于数据集拆分方法，下列说法不正确的是（D）
A. 留出法要求训练/测试集划分要尽可能保持数据分布的一致性
B. 留一法不受随机样本划分方式的影响：每次使用 m-1 个样例进行训练，只用1 个样例进行测试
C. 自助法在数据集较小、难以有效划分训练/测试集时很有用：自助法则是使用有放回重复采样 的方式进行数据采样
D. 交叉验证法改变了初始数据集的分布，这会引入估计偏差：自助法改变了数据的初始分布导致会引入估计偏差
下列关于线性判别分析的说法错误的是（D）
A. 欲使同类样例的投影点尽可能接近，可以让同类样例投影点的协方差尽可能小
B. 欲使异类样例的投影点尽可能远离，可以让类中心之间的距离尽可能大
C. 线性判别分析可以用来处理二分类问题
D. 线性判别分析可以视为一种无监督降维技术：有监督降维技术
使用验证集调整超参数
会存在无用特征
正则化
L1正则化可以产生稀疏权值矩阵，即产生一个稀疏模型，用于特征选择。
L2正则化可以产生参数值较小的模型，能适应不同的数据集，一定程度上防止过拟合，抗扰动能力强。
L2让所有特征的系数都缩小，但是不会减为0，它会使优化求解稳定快速。所以L2适用于特征之间没有关联的情况。
激活函数 tanh值域为[-1，1]。
Albumentations 是一个用于图像增强的 Python 库。图像增强可用于深度学习和计算机视觉任务以提高训练模型的质量。该库广泛应用于工业界、深度学习研究、机器学习竞赛和开源项目。
图像增强：分为像素级增强和空间级增强
1 | import albumentations as A |
从 PyPI 安装最新的稳定版本：1
pip install -U albumentations
Demo示例1
2
3
4
5
6
7
8
9
10
11import albumentations as A
import cv2
transform = A.Compose([
A.RandomCrop(width=256, height=256),
A.HorizontalFlip(p=0.5),
A.RandomBrightnessContrast(p=0.2),
])
image = cv2.imread("/path/to/image.jpg")
image = cv2.cvtColor(image, cv2.COLOR_BGR2RGB)
transformed = transform(image=image)
transformed_image = transformed["image"]
1 | - 样例输出 |
1 | - 样例输出 |
1 | - 样例输出 |
1 | - 样例输出 |
1 | - 样例输出 |
1 | - 样例输出 |
1 | - 样例输出 |
1 | - 样例输出 |
1 | - 样例输出 |
1 | - 样例输出 |
1 | - 样例输出 |
1 | - 样例输出 |
1 | - 样例输出 |
1 | - 样例输出 |
1 | - 样例输出 |
1 | - 样例输出 |
1 | - 样例输出 |
1 | - 样例输出 |
1 | - 样例输出 |
1 | - 样例输出 |
1 | - 样例输出 |
1 | - 样例输出 |
1 | - 样例输出 |
1 | - 样例输出 |
1 | - 样例输出 |
1 | - 样例输出 |
1 | - 样例输出 |
1 | - 样例输出 |
1 | - 样例输出 |
1 | - 样例输出 |
1 | - 样例输出 |
always_apply=False, p=1
ldd /usr/bin/vimssh和sshd都是Linux系统中的命令，用于远程登录和控制。其中，ssh是客户端命令，用于连接远程服务器；而sshd是服务端命令，用于接受远程连接请求并提供相应的服务
如果您使用的是Debian或Ubuntu等基于Debian的Linux发行版，可以使用以下命令来查看软件包的安装方式：
1 | dpkg -s <package_name> | grep "Source: " |
如果输出结果中包含Source: package，则表示该软件包是通过源码编译安装的；否则，该软件包是通过apt安装的。
如果您使用的是Red Hat、CentOS、Fedora等基于Red Hat的Linux发行版，可以使用以下命令来查看软件包的安装方式：
1 | rpm -qi <package_name> | grep "Source RPM" |
如果输出结果中包含Source RPM，则表示该软件包是通过源码编译安装的；否则，该软件包是通过yum或dnf等工具安装的。
1 | (base) user@user-Super-Server:~$ dpkg -s ssh | grep "Source:" |
1 | sudo adduser guanan |
输入新用户的密码并按照提示输入其他信息。如果您不想输入其他信息，可以直接按回车键跳过。
确认新用户已成功创建后，将其添加到sudo组以授予其超级权限：
1 | sudo usermod -aG sudo guanan |
1 | su - guanan |
在Linux中，你可以使用crontab命令来设置定时任务。以下是一些基本步骤：
打开终端。
输入crontab -e命令来编辑你的crontab文件。
在打开的编辑器中，添加一行来定义你的定时任务。每行的格式如下：
1 | * * * * * command-to-be-executed |
*代表分钟（0 - 59）*代表小时（0 - 23）*代表一个月中的第几天（1 - 31）*代表月份（1 - 12）*代表一个星期中的第几天（0 - 7，0和7都代表星期日）command-to-be-executed代表你想要定时执行的命令例如，如果你想要每天凌晨1点执行/home/user/script.sh脚本，你可以添加以下行：
1 | 0 1 * * * /home/user/script.sh |
保存并关闭编辑器。
你的定时任务现在应该已经设置好了。你可以使用crontab -l命令来查看你的定时任务。
请注意，你需要确保你的命令可以在没有交互的情况下执行，因为cron不会提供任何用户输入。此外，你可能需要在你的命令前面添加一些环境变量，以确保你的命令在正确的环境中执行。
背景：社交推荐系统旨在从用户-项目交互图 Gr = {U, V, Er} 和用户用户社交图 Gs = {U, Es} 中学习模型，对用户兴趣进行编码以做出准确的推荐。
问题：社交推荐中存在很多兴趣不相关的群体，例如同学，同事等。导致社交信息在表征用户偏好时不可避免地会产生噪音。
贡献：提出DSL（Denoised Self-Augmented Learning）范式：
自监督去噪：保留有用的社交关系
跨视图对齐：文章使用双视图图神经网络编码</span>用户社交和</span>交互图中的潜在表示。在这个结构中，每个视图都有一个独立的编码器来学习节点的表示，利用可学习的相似性映射函数将两个视图对齐。
两个视图：
嵌入表示聚合：为了聚合Gr和Gs中不同顺序编码的表示
用户相似度：
用户商品视图->$z{i,i^`}=[\bar{e}_i^{(r)};\bar{e}{i`}^{(r)}]$
社交网络视图->$\hat{z}{i,i^`}=[\bar{e}_i^{(s)};\bar{e}{i`}^{(s)}]$
相似度融合：d，T，c为可学习参数
无监督去噪：用户商品视图得到的相似性指导社交视图的相似性
用户-商品交互可能性：
用户-用户相似性：
推荐损失：bpr
社交关系损失：bpr
其中$u_i+$表示和$u_i$相连接的user，$u_i-$表示和$u_i$未连接的user
总损失：
数据集：
BaseLine
注意力社交推荐：
* EATNN \[2019]：建立在注意力机制上的自适应迁移学习模型，用于聚合来自用户交互和社会关系的信息。
实验结果：%Imp 表示相对于所有基线的平均改进。
消融实验：设置了三个模型
DSL-d：去除跨视图自监督去噪模块即$L_{ssl}$;
DSL-s：去除社交模块，即$L_{soc}$;
DSL-c：用对比学习损失替代$L_{ssl}$;
实验结果：表明去噪模块和社交网络都有用
鲁棒性评估
数据稀疏：将数据按照节点的度分四类(0,5)、[5,10)、[ 10,15) 和 [20, +∞)
数据噪音：为user-item图添加虚假边（10%、20%、30%）
windows10使用ssh-keygen -t rsa重新生成密钥并配置到github 设置后，一直无法连接github，无法push，ssh -T git@github.com提示kex_exchange_identification: Connection closed by remote host
1 | git config --global user.name "xxx" |
1 | ssh-keygen -t rsa -C "xxx@qq.com" |
https://blog.csdn.net/weixin_33708432/article/details/88599547
以管理员身份运行PowerShell，并执行以下下命令：
1 | Get-PnpDevice | Where-Object {$_.FriendlyName -like "*客厅的奇异果*"}|ForEach-Object{pnputil.exe /remove-device $_.InstanceId } |
https://blog.csdn.net/qq_24269643/article/details/107221434
C:\ProgramData\Microsoft\Windows\Start Menu\Programs\StartUp即可