最近一年的我感觉对生活没了追求，就像在海上失去方向的船，不知道该开去哪里。感觉每天都糊里糊涂的，没有了读研以前那种对胜利的渴望，对任何事情都失去了兴趣，每天靠着各种deadline驱动着前进。

 2019年似乎没有很努力的学习，所有立下的Flag，不出意外都没有实现。虽然如此，但也并不是完全没有什么收获。在这一年，无论是在学术、生活等方面都取得了一些进展。

 从七月份到九月底，主要参加了三个比赛：（1）安泰杯——跨境电商智能算法大赛；（2）全球数据智能大赛——广西水稻预测；（3）IEEE-CIS Fraud Detection。虽然最终的成绩都不是很好，但这几个比赛有值的总结的地方。

 一晃一个假期过去了。原本打算在假期专心写论文，在六月份的时候在天池上看到一个比赛，就想尝试去做一下，就先把论文放一放。一开始，并没有什么思路，用了简单的逻辑回归，发现数据量很大，算法几乎要跑一天，也不能保证输出结果的正确率。

1. 创建pandas.DataFrame (1) 创建空的df，然后进行填充

Tensor  Tensor是TensorFlow对矢量和矩阵的一种高维度的泛化。它与传统编程语言中的数据类型是有区别的，它更像是一种计算中使用的节点，只有在计算（运行）时，才会将数据流入。在TensorFlow中，Tensor使用tf.Tensor来定义，tf.Tensor有两个很重要的属性：数据类型（dtype, 例如 tf.float32、tf.int32或tf.string）和形状（shape，例如shape=(2,2)）。

 在博客园看到一篇关于刷Leetcode的文章，然后就浏览了该博主其它文章，发现她也是从2015年开始在博客园上发文章，这不禁让我想起多年前立志要写好博客的自己。

1. LDP相关基础论文 1.1 RAPPOR

1.Python读写TXT文件 1.1 写txt文件： 使用open('output.txt', 'w')以写的方式打开文件（若文件不存在则创建该文件），使用file.write()写入文件，其中参数必须为str字符串。

 Apriori是一种频繁数据挖掘算法，它在2006年入选由IEEE International Conference on Data Mining所评选的数据挖掘领域的十大经典算法。该算法的主要目的是找出数据集的数据项中频繁出现的项集。

 通过贝叶斯等方式实现分类器时，需要首先得到先验概率以及类条件概率密度。但在实际的应用中，先验概率与类条件概率密度并不能直接获得，它们都需要通过估计的方式来求得一个近似解。若先验概率的分布形式已知（或可以假设为某个分布），但分布的参数未知，则可以通过极大似然或者贝叶斯来获得对于参数的估计。

 在做分类问题时，有时候需要使用样本的概率密度函数来求其后验概率。但是很多情况下并不知道其概率密度函数的形式（即样本的分布未知），此时就需要对样本进行非参数估计，来求解其概率密度函数。

 支持向量机（Support Vector Machines SVM）是一种二分类模型，它的目标是在特征空间中寻找对于所有样本距离最大的超平面。与感知机不同的是，在线性可分的情况下，SVM可以得到唯一的解。