首先給大家分享乙個巨牛巨牛的人工智慧教程，是我無意中發現的。教程不僅零基礎，通俗易懂，而且非常風趣幽默，還時不時有內涵段子，像看**一樣，哈哈～我正在學習中，覺得太牛了，所以分享給大家！點這裡可以跳轉到教程
svg中dom元素的偏移與縮放都是基於svg元素的左上角，所以如何理解與計算svg中元素的真實位置就比較難，下面的例子都以圓(circle)為例。
假定縮放的比例為s，執行縮放後，圓的圓心座標由(cx, cy)變為(cx * s, cy * s)
假定偏移的距離為(x1, y1), 執行單純的偏移後，圓的圓心座標由(cx, cy)變為(cx + x1, cy + y1)
先偏移後縮放的transform表示式為
transform="translate(100, 0) scale(2) "先偏移後縮放的transform表示式為
transform="scale(2) translate(100, 0)"一定要注意縮放與偏移的順序，否則結果將大相徑庭，另外如果想要像css3一樣以圓心進行縮放，必須要組合使用偏移。
瀏覽人工智慧教程
svg中dom元素的偏移與縮放都是基於svg元素的左上角，所以如何理解與計算svg中元素的真實位置就比較難，下面的例子都以圓(circle)為例。
假定縮放的比例為s，執行縮放後，圓的圓心座標由(cx, cy)變為(cx * s, cy * s)
假定偏移的距離為(x1, y1), 執行單純的偏移後，圓的圓心座標由(cx, cy)變為(cx + x1, cy + y1)
先偏移後縮放的transform表示式為
transform="translate(100, 0) scale(2) "先偏移後縮放的transform表示式為
transform="scale(2) translate(100, 0)"一定要注意縮放與偏移的順序，否則結果將大相徑庭，另外如果想要像css3一樣以圓心進行縮放，必須要組合使用偏移。
auc計算公式的理解
對於auc的計算參考 m是正樣本的個數，n是負樣本的個數 如何理解分子，下面是我個人的理解。總體原則 負樣本數 樣本總數 正樣本數，然後構造樣本總數 每次取概率不同的正樣本，其排序也不一樣，構造樣本總數的表達方式也不一樣 rank1,樣本總數為rank1 rank2 再加1個就是樣本總數，為rank...
形象理解AUC計算公式
auc是評價乙個二分類器效能的主流數值指標，定義為roc曲線下方的面積，但這個算起來比較複雜，需要統計假陽性。另乙個定義更直觀，隨機給乙個正樣本和乙個負樣本，多大概率正樣本的score更高。換一種說法，假設正樣本有m mm個，負樣本有n nn個，在所有m n m nm n個正負樣本對中，有多少正樣本...
理解RNN的結構 特點 計算公式
在某一些情況下，我們是無法使用標準的全連線神經網路的。比如，句子中哪幾個單詞是人名，如果使用標準的全連線神經網路，網路結構如下 如果使用這種結構，會存在兩個問題 輸入句子長度和輸出向量的維度，可能會不一樣。對不同的樣本，其輸入 輸出維度都不同。改結構無法共享從文字不同位置上學到的特徵 網路引數很多 ...