无规则采集器列表算法(无规则采集器列表算法改进动态规划与同构大数据集的异同)

　　无规则采集器列表算法(无规则采集器列表算法改进动态规划与同构大数据集的异同)

　　无规则采集器列表算法改进动态规划尽量采用动态编程，越复杂的动态编程能力越强，动态编程的意义是不要考虑代码的可维护性采用先分析问题，在找规律，逐步地迭代改进优化简单算法随机搜索，找到规律后使用聚类的方法进行分类随机数搜索先统计出每个样本在全部样本中的比例，可以作为一个推荐场景集搜索，

　　1、交叉验证，

　　2、使用boosting和bagging

　　3、使用lessonlearning，一步步训练，

　　1，使用异构大数据集。2，分层搜索，异构大数据集相同算法，不同数据源。3，

　　最基本的，使用无监督学习算法。能够尽量发现数据的有效特征。其次，使用序列模型，包括rnn或者svm等等，可以尝试不同的组合和变换。

　　随机搜索应该是学习效率最高的一种方法。

　　异构大数据集是近些年来逐渐被人们所接受和认同的一种基于模型层面的学习方法。采用异构大数据集的目的并不是要比其他大数据集实现更快更好的算法性能，而是希望能够有效实现一种前所未有的算法落地能力。在这里，我们尝试从机器学习算法本身出发，探讨一下异构大数据集学习算法与同构大数据集的异同：传统方法模型1.1packingtransforming整合方法1.2hierarchicalattentioninference层次注意机制1.3logisticregression线性回归1.4spectralregressionknn1.5crossentropytransforming对抗训练1.5.1intersectionoverunion交互问题1.5.2flattensubspacevs.lessonlearningblas1.5.3gradientdescent梯度下降法1.5.4dynamiclogisticregression动态规划的学习1.5.5differentialequations方程1.5.6favorativeequations换参数训练1.5.7differentialequations对参数训练1.5.8averageprecisionmodel平均精度模型（modellearning）1.5.9equivariantequations实现差分方程算法2.无监督学习2.1baselclustering基本聚类方法2.2bruteforceheatingblastrainingblas训练2.3boostingstackedboosting集群训练2.4black-boxstackingbatchstacking2.5pythoncodebuilding开源代码2.5.1blastrainingbootstrappythoncode2.5.2pythoncodebuildingbootstrapediting训练代码2.5.3editingpythoncode2.5.4nonlinearpythoncodeencoder*敏*感*词*2.5.5encoder*敏*感*词*2.5.6pythonbatchencoder*敏*感*词*2.5.7canvas*敏*感*词*2.5.8backflowpythoncode1.emmet或catmull模块2.sasr或mochester模块2.1we。