02 2019 档案

算法设计与分析基础2：算法效率分析基础
摘要：一、分析框架 1.时间复杂度：时间效率，指出算法运行有多快 2.空间复杂度：空间效率，关注算法需要的额外空间 3.输入规模的度量。 (1)计算两个n阶矩阵的乘积。度量方法有两种，第一种方法是用矩阵的阶数n，第二个方法是参加乘法运算中所有元素的个数N 4.运行时间的度量单位 算法效率的度量：对于输入规 阅读全文
posted @ 2019-02-28 19:51 stone1234567890 阅读(625) 评论(0) 推荐(0)
自动内存管理机制之java内存区域与内存溢出异常
摘要：一、运行时数据区域 java虚拟机所管理的内存会包括下面的几个部分： 1.程序计数器：是一块较小的内存空间，可以看做是当前线程所执行的字节码的行号指示器。一般情况下，字节码解释器工作的时候就是通过改变计数器的之来选取需要执行的字节码指令。 (1)每条线程都有一个独立的程序计数器，每个线程都有一个独立 阅读全文
posted @ 2019-02-28 17:02 stone1234567890 阅读(211) 评论(0) 推荐(0)
java程序员面试宝典1
摘要：1.在java中字符串只以Unicode一种形式存在(不选择任何特定的编码，直接使用他们在字符集中的编号，这是统一的唯一的方法) 2.在java中，是指在JVM中，在内存中，在你的代码里声明的每个char，String类型的变量中。 JVM的这种约定是的一个字符分为两个部分：JVM内部和OS文件系统 阅读全文
posted @ 2019-02-28 16:40 stone1234567890 阅读(142) 评论(0) 推荐(0)
算法设计与分析基础读书笔记1
摘要：一、什么是算法 1.算法：是一系列解决问题的明确指令，也就是说对于符合一定规范的输入，能够在有限的时间内获得要求的输出 2.算法要点： (1)算法的每个步骤都必须没有歧义，不能有半点含糊 (2)必须认真确定算法所处理的输入的值域 (3)同一算法可以用几种不同的形式来描述 (4)同一问题，可能存在几种 阅读全文
posted @ 2019-02-26 21:07 stone1234567890 阅读(530) 评论(0) 推荐(0)
推荐系统
摘要：一、推荐系统与评估 0.一种数学定义： (1)设C为全体用户集合 (2)设S为全部商品/推荐内容集合 (3)设u是评判把si推荐给ci好坏判断函数 (4)推荐是对于c<-C，找到s<-S，使得u最大，即： 部分场景是topN推荐 (5)通俗点说，推荐系统需要根据用户的历史行为，社交行为，兴趣点，所处 阅读全文
posted @ 2019-02-26 15:38 stone1234567890 阅读(219) 评论(0) 推荐(0)
算法(3)
摘要：1.算法的四个特性： (1)有穷性； (2)确定性； (3)可行性； (4)输入和输出； 2. (1)穷举法(万能算法)：如求N个数的全排列 8皇后问题 (2)分而治之(建而治之)： 二分查找：减为治之 归并排序：分而治之 (3)贪心 最小生成树Prim Kruskal 单源最短路径 Dijkstr 阅读全文
posted @ 2019-02-24 22:02 stone1234567890 阅读(174) 评论(0) 推荐(0)
模型调优与融合
摘要：0.调优模型，让模型在给定的数据集上有更好的效果。 一、前序工作流程 0.数据清洗 (1)不可信的样本丢掉 (2)缺省值极多的字段考虑不用 1.数据采样： (1)下/上采样 (2)保证样本均衡 2.特征处理(特征工程) 数值型 类别型 时间型 文本型 统计型 组合特征 3.特征选择(特征工程) (1 阅读全文
posted @ 2019-02-24 19:13 stone1234567890 阅读(771) 评论(0) 推荐(0)
CNN与图像高级应用
摘要：一、图像识别与定位 思路1：视作回归 4个数字，用L2 loss/欧氏距离损失(x,y,w,h)这四个数都是连续值 思路2：借助图像窗口 二、物体识别 0.图像识别与定位： (1)Classification:C个类别 (2)Input:Image (3)Output:类别标签 (4)Evaluat 阅读全文
posted @ 2019-02-23 22:04 stone1234567890 阅读(282) 评论(0) 推荐(0)
机器学习中的特征工程
摘要：一、前言 1.特征工程与意义 (1)特征：数据中抽取出来的对结果预测有用的信息 (2)特征工程师使用专业的背景知识和技巧来处理数据，使得特征能在机器学习算法中发挥更好的作用的过程 (3)意义：更好的特征意味着更强的灵活度 更好的特征意味着只需要简单模型 更好的特征意味着更好的结果 2.实际工业界特征 阅读全文
posted @ 2019-02-23 17:19 stone1234567890 阅读(745) 评论(0) 推荐(0)
最大熵与EM算法
摘要：一、熵、联合熵(相当于并集)、条件熵、互信息 1.熵是什么？ (0)信息量：信息的度量p(xi)。信息量和概率成反比，熵是信息量的期望。 X是一个随机变量，可能取值有很多个。熵是信息量的期望。熵反应的是不确定性，如果不确定性越高，熵越高，概率越低。熵是可以大于1的，但是概率是不可以大于1的 (1)物 阅读全文
posted @ 2019-02-21 15:33 stone1234567890 阅读(244) 评论(0) 推荐(0)
SVM支持向量机(2)
摘要：零、各种概念 1.硬间隔最大化 2.硬间隔支持向量机 3.线性支持向量机 软间隔最大化 软间隔支持向量机 4.非线性支持向量机 核函数kernel function 一、理解支持向量机SVM的原理和目标 二、理解支持向量机的计算过程和算法步骤 三、理解软间隔最大化的 含义 1.对线性不可分数据给出( 阅读全文
posted @ 2019-02-14 17:07 stone1234567890 阅读(132) 评论(0) 推荐(0)
吴恩达深度学习：2.16关于python/numpy
摘要： 阅读全文
posted @ 2019-02-02 18:49 stone1234567890 阅读(137) 评论(0) 推荐(0)
机器学习读书笔记第六章支持向量机(2):对偶问题
摘要：1.我们希望通过下式：最小化w的范数来得到最大间隔划分超平面对应的模型，其中w和b是模型参数： 这里xi和yi都是已知的，约束条件有m个，每一个样本点有一个约束，有m个样本点有m个约束，w是一个变量，w和b是一个向量。 2.对上式利用拉格朗日乘子法可以得到其对偶问题，即对上式每条约束添加一个拉格朗日 阅读全文
posted @ 2019-02-02 17:40 stone1234567890 阅读(325) 评论(0) 推荐(0)
机器学习读书笔记第六章支持向量机(1):间隔与支持向量
摘要：1.分类学习最基本的想法就是：基于一个训练集D在样本空间中找到一个划分超平面，将不同的类别样本分开。两类训练样本“正中间”超平面所产生的结果是最鲁棒的，对局部扰动容忍最好，对于未见的实例的泛化能力最强。 2.划分超平面可以由：方程来描述，其中为法向量，决定了超平面的方向，b为位移项，决定了超平面与原 阅读全文
posted @ 2019-02-02 15:42 stone1234567890 阅读(225) 评论(0) 推荐(0)
吴恩达机器学习105：核函数
摘要：一、 1.在这节课中我们将补充一些缺失的细节，并且介绍一些在实际中应用这些思想，例如怎么处理支持向量机中的偏差分析。上节课我们谈到选择标记点的过程，比如l(1),l(2)和l(3)使我们能够定义相似度函数，我们也称之为核函数，在这个例子中，我们的相似度函数为高斯核函数，这使得我们能够构造一个预测函数 阅读全文
posted @ 2019-02-02 13:14 stone1234567890 阅读(170) 评论(0) 推荐(0)