上一页 1 2 3 4 5 6 7 8 9 10 ··· 18 下一页
摘要: 题目描述 Given an integer matrix, find the length of the longest increasing path. From each cell, you can either move to four directions: left, right, up 阅读全文
posted @ 2020-04-19 00:22 suwenyuan 阅读(100) 评论(0) 推荐(0) 编辑
摘要: GB/T7714-2005(《文后参考文献著录规则》)规定有两种参考文献格式,一种是“顺序编码制”,一种是“著者-出版年制”。 顺序编码制。我国绝大多数引用参考文献的著录格式均采用顺序编码制。顺序编码制是按论文的正文部分(包括图、表及其说明)引用的文献首次出现的先后顺序连续编码,参考文献的序号均用阿 阅读全文
posted @ 2020-04-17 11:34 suwenyuan 阅读(11525) 评论(0) 推荐(0) 编辑
摘要: 简历表格,表格名称是user 执行如下SQL语句 SELECT * FROM `user` WHERE sex = 1 结果如下: 加入limit和offset之后,limit表示选取多少条数据,offset表示从开始的偏移量 SELECT * FROM `user` WHERE sex = 1 L 阅读全文
posted @ 2020-04-05 12:10 suwenyuan 阅读(347) 评论(0) 推荐(0) 编辑
摘要: 题目描述 Given two words word1 and word2, find the minimum number of operations required to convert word1 to word2. You have the following 3 operations pe 阅读全文
posted @ 2020-03-31 18:17 suwenyuan 阅读(158) 评论(0) 推荐(0) 编辑
摘要: 题目描述 Given an input string (s) and a pattern (p), implement regular expression matching with support for '.' and '*'. '.' Matches any single character 阅读全文
posted @ 2020-03-30 12:12 suwenyuan 阅读(268) 评论(0) 推荐(0) 编辑
摘要: 朴素贝叶斯 主要是通过先验概率和条件概率计算后验概率。 目标公式如下: 举例:假设Y是好瓜,X是色泽 给定P(Y),就是好瓜的概率;P(X|Y),就是好瓜中某一色泽占得比重;求解P(Y|X),就是给定色泽求解好瓜的概率。 阅读全文
posted @ 2020-03-13 11:15 suwenyuan 阅读(186) 评论(0) 推荐(0) 编辑
摘要: 一、基本概念 GBDT (Gradient Boosting Decision Tree) 梯度提升迭代决策树。 GBDT通过多轮迭代,每轮迭代产生一个弱分类器,每个分类器在上一轮分类器的残差基础上进行训练。 弱分类器一般会选择为CART TREE(也就是分类回归树)。 每一轮预测和实际值有残差,下 阅读全文
posted @ 2020-03-12 16:59 suwenyuan 阅读(194) 评论(0) 推荐(0) 编辑
摘要: 一、简介 说到推荐系统,我们肯定是要问它是为什么而存在的,即存在的意义是什么。 随着当今技术的飞速发展,数据量也与日俱增,人们越来越感觉在海量数据面前束手无策。正是为了解决信息过载(Information overload)的问题,人们提出了推荐系统(与搜索引擎对应,人们习惯叫推荐系统为推荐引擎)。 阅读全文
posted @ 2020-03-12 11:52 suwenyuan 阅读(347) 评论(0) 推荐(0) 编辑
摘要: 1. 信息量 首先是信息量。假设我们听到了两件事,分别如下: 事件A:巴西队进入了2018世界杯决赛圈。 事件B:中国队进入了2018世界杯决赛圈。 仅凭直觉来说,显而易见事件B的信息量比事件A的信息量要大。究其原因,是因为事件A发生的概率很大,事件B发生的概率很小。所以当越不可能的事件发生了,我们 阅读全文
posted @ 2020-03-08 15:33 suwenyuan 阅读(369) 评论(0) 推荐(0) 编辑
摘要: 一、基本概念 RNN前向传播图 对应的前向传播公式和每个时刻的输出公式 $S_{t}=tanh(UX_t+WS_{t-1}) \qquad \qquad {y_t}'=softmax(VS_t)$ 使用交叉熵为损失函数,对应的每个时刻的损失和总的损失。通常将一整个序列(一个句子)作为一个训练实例,所 阅读全文
posted @ 2020-03-07 11:25 suwenyuan 阅读(2108) 评论(0) 推荐(0) 编辑
上一页 1 2 3 4 5 6 7 8 9 10 ··· 18 下一页