1 介绍 之前用 gitee 同步 OB 笔记，同时做图床。但由于 git 系产品设置起来相对复杂，且后续可能有外链过审等问题。周五被同事小姐姐安利了用腾讯云 COS，试了一下，果然不错。其主要优点如下： 设置简单，学习成本低，手机端也可方便设置 价格也可接受，如果仅存笔记，一年也就十几 - 几十块钱吧（当然也看存储访问量） 想存啥存啥，不用担心哪天被人家关了 2 开通腾讯云存储 先用价格计算器看一下价钱 腾讯云存储 注册并开通 COS 服务 登录 创建笔记存储桶 起名（后面不能改），设成私有读写，其它使用默认设置 创建图床存储桶 起名（后面不能改），设成公有读私有写，其它使用默认设置 创建密钥 网页入口 3 设置同步 OB 笔记 安装插件 Remotely Save 此后，左侧出现一个小圆圈的图标，需要同步时按这个图标即可。 填写以下五项设置，其它可使用默认 （20230218 当前版本插件，填写设置中的五个输入框） 其中第一二五项内容填写获取方式：COS 网页 ->存储桶列表 ->点新建桶右侧的配置管理，根据其访问域名填写；第三四项内容根据上面创建的密钥填写 ...

介绍 Bland-Altman 图是一种一致性评价测量方法，简称 BA，常用于医学实验和数据分析。 可使用它检测两组数据的一致性，比如对比新旧两种方法，对比一组实际值和预测值等。相对于校准曲线，它能更好地对比两组数据中每个数据对的一致性。 如何看图 图中每个点代表一个实例，其横轴是预测值和实际值的均值，纵轴是其预测值与实际的差值。两条红线分别表示 mean±1.96std 的范围。若大部分样本点落在此范围内，则说明两种方法的测量一致性较好。如上图中最右侧的点，假设它的预测值是 1，实际值是 0.93，则其均值是 0.965（即横坐标），其差值是 0.07（即纵坐标）。 通过看图可以得到一些结论，如： 可以从图中点看出数据的分布； 如果图中点均分布在 0 附近，则说明一致性高； 如果左边密集，右边分散，则说明值越小误差越小； 从 Y 轴可以看出，数据是往上偏还是往下偏。 实现 Python 的 pingouin 和 pyCompare 包都提供 BA 作图工具，也可以使用 matplotlib 直接画图，详见： Bland-Altman Plots(一致性评价)在python中的实 ...

journal: Nature name_ch: 在没有人类知识的情况下掌握围棋游戏 name_en: Mastering the game of Go without human knowledge paper_addr: http://www.nature.com/articles/nature24270 date_publish: 2017-10-01 读后感 AlphaGo Zero 是 AlphaGo 的改进版本，之前版本都使用有监督学习和强化学习相结合的方式。如题——它与之前版本不同的是不需要通过学习人类棋手的下法，其 Zero 意思是无师自通。其核心算法是将价值网络和策略网络二合一，并在卷积网络中加入残差。 介绍 文章分两部分，第一部分介绍其整体，第二部分展示了算法细节和一些背景知识（在参考资料之后）。 AlphaGo 是深度强化学习的精典应用范例，围棋领域之所以复杂是因为：在广阔的搜索空间中，需要有精确而精细的前瞻性。 AlphaGo 的第一个版本，简称 AlphaGo Fun，指 2015 年战胜樊麾的版本；它使用两个神经网络：价值网络和策略网络。其中的策略网络一开始 ...

定义 列线图是一种相对传统的分析方法，用于展示自变量和因变量的线性关系，及其特征的重要程度。 现在用 SHAP，和机器学习库中的 Feature importance 工具可以实现类似甚至更好效果。不过很多传统的研究领域比较认这种方法。 列线图工具建立在多因素回归分析的基础上，将多个预测指标进行整合，然后采用带有刻度的线段，按照一定的比例绘制在同一平面上，从而用以表达预测模型中各个变量之间的相互关系。 原理 先使用多因素回归（逻辑回归，Cox 回归）得出的结果，然后根据回归系数算出 Nomogram 及画图。 处理流程 主要操作流程如下： 数据处理： 去掉共线性特征（VIF 判断多重共线性） 去掉单因素分析中不显著的特征 去掉加了和不加对模型没什么影响的特征（LASSO 回归） 做多因素回归 用回归结果做 Nomogram，将结果图形化 怎么看图 Points：第一行是标尺 前几行是特征重要性 Total Points: 所有指标加在一起的得分 Risk：对应风险值 工具 R 语言实现方法，详见：Nomogram图不会画?看了这篇,小白也能轻松看懂搞定 Python 没有 N ...

介绍 SuperSet 是一款开源可视化 BI（商业智能）Web 应用程序。它通过创建和分享 dashboard，为数据分析提供了轻量级的数据查询和可视化方案。其优点如下： 不需要自己去搭服务，写前端页面，直接生成分析图 可接入多种数据源 安装方便，学习成本较低 安装 使用 docker 安装启动方法如下： 12345678910111213docker search supersetdocker pull amancevice/superset # 星最多，最新版的mkdir -p /opt/module/docker/superset/conf mkdir -p /opt/module/docker/superset/data# 启动docker run --name superset -u 0 -d -p 8088:8088 -v /opt/module/docker/superset/conf:/etc/superset -v /opt/module/docker/superset/data:/var/lib/superset amancevice/superset# 进入 ...

英文名称: U-Net：Convolutional Networks for Biomedical Image Segmentation 中文名称: U-Net：用于生物医学图像分割的卷积网络 论文地址: http://link.springer.com/10.1007/978-3-319-24574-4_28 出处：journal: Medical Image Computing and Computer-Assisted Intervention–MICCAI 2015 时间: 2015 1 读后感 本文主要针对的问题是优化生物医学图像领域的图像识别，之前图像模型往往需要数千张标注图片训练。而医学影像数据往往存在图片大，图片中内容多（比如一张图中可能有很多的不正常细胞），难以做几千张图片的标注，除了正常异常，还常常需要标出具体位置。之前的方法是用滑动窗口将图像切成小块训练，这种方法比较慢图像重叠造成冗余，还要根据具体情况考虑切分方法，才能在上下文和效率之取得平衡。 文中提出的解决方法是：设计了U 型网络结构和训练策略，相对于普通的卷积网络，增加了右侧的上采样卷积，从而恢复图像。 最 ...

1 蓝思指数 蓝思阅读指数,所谓的 Lexile(蓝思指数),是美国科学基金会 (National Science Foundation,United States 简称 NSF) 为提高学生的阅读能力,而研究出的一种衡量学生阅读水平和标识书籍难易程度的一套标准。 2 地址 http://lexile.com 3 分级表 Pasted image 20221207185918.png 4 查书的难度 https://hub.lexile.com/find-a-book/book-results 5 计算段落的难度 Analyzer 工具，可以免费测试 250 个单词以内的段落的蓝思值。 https://hub.lexile.com/analyzer 6 问题 英语是拼读语言，大部分单词符合拼读规则。蓝思指数源自美国，对于英语是母语的人，看到拼写基本会读，会读就知道大概意思。而很多单词我们能大概拼出来也不知道是什么意思。 找了几篇难度在 700 左右的文章，看了看觉得难度差异非常大，感觉用这个直接给娃找书……仅供参考吧。

之前一直用在线的 readpaper 看论文，可是文献一多，就觉得分类功能比较弱，也不太好找，另外没办法做整篇笔记，也不能和笔记工具连起来，有点难受。 昨天同事推荐了 Zotero 和 Endnote，看了几篇文章都说 Zotero 比 Endnote 好用，另外，它还能导出 Obsidian Note，在 O 和 Z 之间互相跳转，以及和 Chrome 结合。 1 简介 Zotero 用于收集、组织、引用、分享各类资料，支持网页版，注册账号之后在多端自动同步以及使用浏览器插件。 2 用后感 安上后发现除了论文还支持书籍文献等等功能。感觉 Zotero 覆盖了之前使用软件的所有功能，软件版本也更稳定，翻译也很流畅。 3 安装 Linux 版本 3.1 下载 https://www.zotero.org/ 3.2 安装 12345678910tar xvjf Zotero-6.0.19_linux-x86_64.tar.bz2mv Zotero_linux-x86_64/ /opt/cd /opt/Zotero_linux-x86_64/chmod 777 zoterochmod 777 ...

journal: IEEE Conference on Industrial Electronics and Applications (ICIEA) name_ch: 深度强化学习：简要概述 name_en: A Brief Survey of Deep Reinforcement Learning date_publish: 2017 读后感 本篇介绍包含：应用场景；基于策略的和基于价值的不同方法；具体算法包含：DQN，TRPO，AC。 这个文章，感觉中间那部分比较乱，结构比较乱，内容也只是皮毛，定义也没讲清楚，也不够深入，最后一部分还行。 1. 介绍 强化学习主要针对：自主的智能体通过与环境交互学习最优行为，通过试错随着时间的推移而改善模型。 之前方法伸缩性差，且主要解释低维问题，深度学习算法近年的发展，借助其函数逼近和表示学习（高维状态和动作空间的降维&分层表示）的能力，能更好解决上述问题。 典型的应用场景，如从视频游戏的帧像素学习玩游戏，又如混合有监督学习和强化学习的 AlphaGO（结合了监督，强化学习和传统的启发式搜索算法），还有机器人等等。 2. 奖利驱动行为 ...

英文题目：Deep Learning for Medical Anomaly Detection - A Survey 中文题目：深度学习的医疗异常检测综述 论文地址：https://arxiv.org/pdf/2012.02364.pdf 领域：深度学习，异常检测 发表时间：2021.04 作者：Tharindu Fernando，澳大利亚昆士兰科技大学 出处：ACM Computing Surveys 被引量：1024（谷歌学术） 代码和数据： 阅读时间：22.11.09 1 读后感 主要讨论在医疗数据中使用深度学习方法，以处理影像数据，时间序列为主，同时讨论了医学数据一些特有的属性。 2 介绍 2.1 什么是异常 异常检测的主要任务是识别不符合总体数据分布的数据样本。在医疗领域，除了建模以外，对模型的解释也至关重要。在实际应用中，对异常的定义也比较复杂，比如行为的不一致性；区分噪声与异常；还需要考虑上下文对异常的影响。 2.2 医疗异常的不同 模型在医疗领域的应用包括两部分：诊断（识别当前状态）和预测（未来的状态），这两部分都可能发生异常。 Pasted image 2022 ...