实验班提优训练 初中 道德与法治 七年级 (下) 人教版RMJY 春雨教育·2019春 下载 pdf 电子版 epub 免费 txt 2025

暂无相关简介，正在全力查找中！

暂无相关目录，正在全力查找中！

暂无相关内容，正在全力查找中

暂无出版社相关信息，正在全力查找中！

暂无相关书籍摘录，正在全力查找中！

在线阅读地址：实验班提优训练 初中 道德与法治 七年级 (下) 人教版RMJY 春雨教育·2019春在线阅读

在线听书地址：实验班提优训练 初中 道德与法治 七年级 (下) 人教版RMJY 春雨教育·2019春在线收听

在线购买地址：实验班提优训练 初中 道德与法治 七年级 (下) 人教版RMJY 春雨教育·2019春在线购买

暂无原文赏析，正在全力查找中！

暂无其它内容！

• 作者：脸都不要了 发布时间：2019-10-12 18:42:34

  从结构内部政治人的视角与顶层领导的视角考察官僚体制的运行逻辑，探讨改进的措施。“大型等级制结构是不必要的恶”。

• 作者：边城不浪 发布时间：2017-09-15 13:48:47

  广度有够，深度不足。还是略略有些官场八股腔，引以为戒

• 作者：影希希 发布时间：2014-04-07 10:11:08

  我是不耐烦这样番外比正文还长的番外集的。当你知道正文结局已定，又要回头去看中间几年的那些故事，到最后还是一样结果，真的没啥动力。

• 作者：小四 发布时间：2019-09-19 15:57:17

  生活很公允，可是，生活同时也很势利。一个女人在别人心目中的分量，除了善良、美丽这些自然因素，还有很多社会化的标签，有时候，你是谁，比你做了什么还重要，甚至，因为你有价值，你的善良、牺牲、奉献，甚至爱情，才有价值。

• 作者：Kryten 发布时间：2019-08-21 18:07:05

  个人体验施蛰存要比穆时英艺术性更高些，穆时英读起来确实是感官刺激，施蛰存要更有味道一些。

• 作者：格野 发布时间：2023-04-18 16:50:57

  考法分类，好用好背，让我们一起来背单词，考研上岸，冲冲冲！

• 科学着的不科学

  作者：斗樱 发布时间：2015-02-03 23:57:59

• 来自一个初学者的纠错，建议和心得

  作者：焚琴煮茶 发布时间：2022-07-14 01:57:42

  久闻sklearn 大名，真正上手感觉非常棒，模块功能之齐全，构建之便利，运行之流畅，确实是好用。除了学习各个模块的使用之外，也无形之间增加了对于numpy ，pyplot，pandas这些老朋友的新理解。

  尤其在读Ch2， Ch3 的时候，还是要再感叹一下Andrew 的Machine Learning 课程确实是当之无愧的第一名，深入浅出，重要的概念都能根深蒂固地留在脑子里，就像撒在夜空里的明星，因此看到参数介绍的时候，脑子里大概能浮现出公式的样子来。

  O‘Reilly 系列的教材我一直都很喜欢，之前Scrapping 也是用这个系列的书学习的，这套书的优势在于语言相当plain，平实易懂，解释参数和原理的时候也是深入浅出，很好地拿捏住了度。书上的注释和代码分明，干脆利索，而且提供了相当好用的package，尤其这本书提供的mglearn 里几个画图工具还是很实用的。另一方面， 教材更注重于介绍功能的广度，但是，一如短评所说，深度上还是欠缺（不知道里面有没有人云亦云的成分），我想所谓的深度欠缺主要是没有提供很多“数学”。但我并不是专业学家或者业界人士，我只想当一个快乐的调参侠，想掌握一套工具，所以这套书还是很适合我的。

  顺便一提，后来去微信读书上看了一眼译本，翻译确实失去了一些语言的魅力，而且我还是觉得这些专有名词在原文的环境下更容易理解和记忆，尤其对于记忆代码命令是有帮助的，所以如果有资源的话还是读原版更好！

  这一周半里，最开心的就是一边读书，一边敲代码，我没有选择直接复制代码去看图，而是自己读过之后归纳知识，再自己打一遍代码。可能是之前跟着Andrew的网课，用Octave实在太无聊【真不想再碰Matlab及其兄弟了】，所以打开python就有一种回家的快乐，这种快乐的心情让我废寝忘食地学下去。

  Jupyter 在学习过程里是最好用的，因为mglearn的很多图像可以直接在 Jupyter里展示出来（之前在csdn看到有人抱怨不出图像的问题，其实用Jupyter就好了），而且markdown和code结合确实很方便。 不过唯一的问题就是，随着模型越来越复杂，计算时间越来越长，Jupyter 在速度上有时候会比用 .py文件更慢，这一点集中体现在Chapter 4&7. 复杂的 GridSearchCV() 不知道吃掉我多少时间和CPU。不过还是要说 ipynb ！（一语双关）

  正是因为手敲代码，还是在书里发现了很多语法错误。

  我查看了一下豆瓣上记录的版本是2016版，本人手上的英文版资源也是2016年版，之后确认没有出过新版本，微信读书上的译本也是翻译自2016版，因此我们目前可以判断这本书只有一个版本，也就是说，这些错误目前应该没有被更正。

  此外，值得注意的是，这些错误，本人没有验证是否和packages 的版本有关，但鉴于书例使用的 Python, pandas,Numpy,Scipy,scikit-learn版本都过于早了，很多语法濒临淘汰，去验证他们没有意义。就算按照书上配置一整套，从日后的使用角度也是会受影响的。因此我宁愿将其视为语法错误，适应主流的配置。

  我在这里先贴出我使用的版本：

  Python version 3.9.13

  Numpy version 1.22.4

  Scipy version 1.8.1

  Pandas version 1.4.2

  scikit-learn version 1.1.1

  Matplotlib version 3.5.2

  ################################################################################

  然后是我整理出的一些值得注意的地方：

  ################################################################################

  1.P76

  In[61]: Import graphviz

  这里如果按照原文，直接导入graphviz 可能是没办法用的，需要先配置系统路径才能正常工作:

  import os os.environ["PATH"] += os.pathsep + 'C:/Program Files/Graphviz/bin/'

  2.P159

  In[36] for i,(component,ax) in enumerate(zip(nmf.components_, axes.ravel))):

  以此举例，能看到很多 axes.ravel() . 实际上 .ravel() 和 .flatten() 是等价的，而后者不会报警告，是更加稳定和新版的语法表达。所以建议用后者: axes.flatten()

  3. P216 In[6]: features = data_dummies.ix[:,'age':"occupation_Transport-moving"]

  不知道为什么没有人指出这里的语法错误，根本没有 .ix 这个 method， 此处应该使用 .loc 代替。 ‘occupation Transport-moving’ 之间是有空格的， ’income >50K‘之间也如此

  4. P233 In[34]: plt.bar(range(len(bins)),bins,color='w')

  color=”k“ ， ’w‘的话就是一片纯白了

  5. P244 In[54]: x= citibike.index.strftime("%s").astype('int').reshape(-1,1)

  strftime("%s") 会报错，这里我换了一个语法表示，测试发现不会影响后续的结果，仅供参考：

  X = citibike.index.astype('int64').values.reshape(-1,1) // 10**9

  6. P246 In[56]: X_hour = citibike.index.hour.reshape(-1,1)

  类似的问题，没有用 .values method因此还是会报错，改为：

  X_hour = citibike.index.hour.values.reshape(-1,1)

  7.P246 In[57] X_hour_week = np.hstack([citibike.index.dayofweek.reshape(-1, 1); citibike.index.hour.reshape(-1, 1)])

  同上， 一定要加 .valves

  8.P326 In[2]:

  最新的dataset 里已经有三个class ： 1.pos, 2.neg,3.unsup.

  这一点影响到了之后所有的 score ！而且使得load_file() 和 之后的运算时间变得非常非常长，建议为每一个 GridSearchCV() 设置 n_jobs=-1 以提高性能。

  9. P339 In[26]: mglearn.tools.visualize_coefficients(

  grid.best_estimator_.named_steps["logisticregression"].coef_,

  feature_names, n_top_features=40)

  grid.best_estimator_.named_steps["logisticregression"].coef_.的shape， 和feature_names是不匹配的，这也是因为整个dataset 多了一个class 的关系， 这里无论选哪一个row 看到的结果都很近似，所以都可以试试看，例如我们只看第一行，将其改为：

  mglearn.tools.visualize_coefficients(grid.best_estimator.named_steps['logisticregression'].coef[0,:], feature_names,n_top_features=40)

  不过第一行的coefficient 实际上应该是theta0 ，没有任何参考意义，建议从第二行看，能得到和图中相同的结果，negative 都是负面词汇，positive对应正面评价：

  mglearn.tools.visualize_coefficients(grid.best_estimator.named_steps['logisticregression'].coef[1,:], feature_names,n_top_features=40)

  ################################################################################

  然后是两点调节参数的心得

  ################################################################################

  1. 在Ch3 里使用 fetch_lfw_people dataset 会导出大量图像，而如果照搬书里的参数，使用mglearn.plots.plot_pca_faces() 或者其他一些生成12个头像的语句，可能会出现无法显示的情况，这和一开始我们从 fetch_lfw_people.data 里调用前50组数据生成X_people的设定有很大关系。让我们再来回顾一下 X_people 是怎么来的：

  people = fetch_lfw_people(min_faces_per_person=20, resize=0.7)

  image_shape = people.images[0].shape

  mask = np.zeros(people.target.shape, dtype=np.bool) for target in np.unique(people.target):

  mask[np.where(people.target == target)[0][:50]] = 1

  X_people = people.data[mask]

  y_people = people.target[mask]

  # scale the grayscale values to be between 0 and 1

  # instead of 0 and 255 for better numeric stability

  X_people = X_people / 255.

  我们在这里可以通过 people = fetch_lfw_people(min_faces_per_person=20, resize=0.7) ， 把resize 改成更小的值减少图像尺寸。

  另外就是 mask[np.where(people.target == target)[0][:50]] = 1， 把[:50] 改成 20，30.

  最后在相关的subplots 里可以适当减少几张，使得运行流畅，毕竟我们需要学习的是观察趋势，不是折磨电脑。

  2. 在Ch7 的一系列对text data 的处理中，首先读取完整的数据库就已经非常耗时（text_train ~ 4-5 min, text_test ~ 3-5 min)，其次GridSeacrhCV() 一次性测验的参数其实挺多了，用Jupyter的体验是非常不好的，所以为了节省时间的话，可以考虑n_jobs = -1 来提升性能，或者减少一些在 param_grid 这个dictionary 里要被验证的参数，或者cross validation 里少分几个folders 。例如

  P341 In[32] param_grid = {"logisticregression__C": [0.001, 0.01, 0.1, 1, 10, 100],

  "tfidfvectorizer__ngram_range": [(1, 1), (1, 2), (1, 3)]}

  grid = GridSearchCV(pipe, param_grid, cv=5)

  grid.fit(text_train, y_train)

  print("Best cross-validation score: {:.2f}".format(grid.best_score_)) print("Best parameters:n{}".format(grid.best_params_))

  这里应该是最耗时间的一段，我跑Ansys都没这么卡过。

  ################################################################################

  最后是一点资源共享

  ################################################################################

  书里提到的三个数据文件，ram_price.csv (CH2), citibike.csv(CH4) 以及CH7的IMDB 最新的数据文件，我都上传到这里，包括我做的一些很丑的笔记，希望可以帮到看到这里的你。

  百度网盘 请输入提取码 baidu.com

  key：fqzc

  欢迎交流和指正！