摘要：
都是树的变种，用途不同【线段树 Interval Tree】区间管理，是一种平衡树可看做是对一维数组的索引进行管理。一维数组不需要是排序好的深度不超过logL任一个区间(线段)都分成不超过2logL条线段优点：在O(log L)时间内完成一条线段的插入、删除、查找、求和等适用于和区间统计有关的问题。但是该问题必须是可以分解成不同子区间的问题的综合【树状数组】解决需求：频繁的求某一段之和，并且需要对数组进行动态的增加和删减结点求和的时间复杂度减低为log N增删结点的时间复杂度保持为log N(但是常数项可能会很大。如果多次增删结点，可考虑改用线段树)【树堆】解决需求：通过“随机”保持排序二叉树 阅读全文
摘要：
写了一个小代码，里面有一段是将int转换为bitset,然后test第actPos位是否为1一开始用if((static_cast>(wordIntVec[j])).test(actPos))在vs2008中编译通过，但是用http://dsalgo.openjudge.cn平台的G++4.5编译，出现以下错误：1479571.13137/Main.cc: In function ‘int main()’:1479571.13137/Main.cc:34:38: error: ‘wordIntVec’ cannot appear in a constant-expression14795 阅读全文
摘要：
既然选择了这个方向和这条路，踏踏实实去走就是了。不要被身边的其他诱惑所挑逗吸引。 每天都有24小时，但是时间是很少的。集中精神去做想做的事。 是你的，终会是你的。不是你的，不必强求。 念念不忘，必有回响。以此为记，用十年时间来沉淀吧。 阅读全文
摘要：
1. 学习资料选择找到一套适合自己的材料真不容易。bishop的书讲的太深入，看完之后要想很久才能理解。cmu的视频不错，ppt也不错，但感觉学起来不系统，或者说要学好需要投入很多的时间才行。stanford的cs229倒是不错，lecture note讲的很具体易懂。先以stanford cs229的资料为主。另外data mining: concepts and technique的内容也可以作为参考，这本书讲的系统一些。2. 学习方法先看cs229的lecture notes。重点在于弄清楚某一章某种算法解决了什么问题，思想是什么，优点是什么。具体的算法过程次之。证明过程再次之。然后做练 阅读全文
摘要：
1、文献学习文献一：名字忘了介绍在交通数据挖掘中，统计方法和神经网络方法的比较，优劣势，分别适用的情况文献二：时空数据挖掘讲了STRIMA模型用在交通数据时空挖掘中的应用，对这个模型还是不太了解2、support vector machine复习了stanford cs229的note3，讲support vector machine的。大致都看懂了，但是是似懂非懂的状态。基础还是不太牢靠，要认真，要严谨。要自己能够把公式推导出来！先把习题做一遍吧3、neural network本来说要学习这一章的，今天又没有时间看其实也好，重在质量，不是数量。但是时间上还是要往这一块倾斜的！4、很久没写过程 阅读全文
摘要：
最近几天看了一些优化理论方面的知识。但感觉把握还是不够深刻，看都看懂了，但是不清楚说的是什么，用在哪类问题上。参考了cmu机器学习课程的recitation of optimizationoptimization在机器学习中是用来干嘛的？找到最优化的系数？其他应用？1、convex set 和convex function的定义。什么是convex set？什么是convex function？两者的联系是什么？convex function的below-set是一个convex set2、unconstrained convex optimizationunconstrained: 无约束就 阅读全文
摘要：
今天把R软件和ctex软件装好了，从最基础的学起。其实想一想，这一年多学了不少cs的课程了，数据库，网络，操作系统，数据结构，离散数学。但是都是限于听课和做课后习题，没有做大作业或者实验课。cs是一门工程性和动手能力很强的学科！一定要多动手，多实践啊亲！理论固然重要，但是没有动手能力，学这一堆理论都是纸上谈兵！没有实用性！从明天开始，学到一样东西，一定要动手动手再动手！ 阅读全文
摘要：
bayes公式原来这么重要！先写个大概，把重要的条目列出来，明天有空了慢慢填空。naive bayes classifierwhat is the assumption? conditional independencewhy we use it? to reduce estimating para... 阅读全文
摘要：
1、为什么学习机器学习？因为这个学科很厉害！可以解决很多很复杂的问题！比如对数据的分类，广告的定向推送，垃圾邮件的过滤，无人驾驶汽车的经验等等。在以后一二十年里，这门学科会有更多的发展和更加广泛的应用。2、人工智能，机器学习，数据挖掘，模式识别，这些有什么区别和联系？现在还无法给出回答。。。明天好好看看人工智能的wiki词条，以史为鉴，才能知现在。认识一个学科，最开始要知道它的起源和历史，从总体上把握它的领域，它所面对的问题，它目前的发展状况3、基础知识应该需要很多数学知识，概率统计，凸包，最优化，等等。我需要对这些东西有个大概的了解，不需要有很深刻的认识或者具备严密的证明能力。最重要的是，看 阅读全文
摘要：
今天学习：0、命令行编译的语法和选项（大致了解）1、如何调用C编译器2、生成汇编文件(.asm) 阅读全文