摘要： 理解反向传播 要理解反向传播，先来看看正向传播。下面是一个神经网络的一般结构图： 其中，\(x\) 表示输入样本，\(\bm{w}\) 表示未知参数(图中未标出偏置 \(b\))， \(S\) 表示激活函数，\(y\) 表示预测值，\(\hat{y}\) 表示真实值。 显然，通过从样本 \(x\) 阅读全文

摘要： 递归是一种比较绕的算法，这是因为它通常在我们肉眼所见的范围内无法完成调用。迄今为止，我们学习的数组、链表等，实现的代码都是从上至下依次执行的，即便会有循环，但也是在可控范围内进行的操作。而递归却有一种无法掌控的感觉，跑着跑着就不知道去哪了。初学这种算法的同学，经常会陷入一层层的调用中，搞得头脑发晕， 阅读全文

摘要： 之前我们学习了动态数组，虽然比原始数组的功能强大了不少，但还不是完全纯动态的（基于静态数组实现的）。这回要讲的链表则是正儿八经的动态结构，是一种非常灵活的数据结构。 链表的基本结构 链表由一系列单一的节点组成，将它们一个接一个地链接起来，就形成了链表。链表虽然没有长度上的限制，但是节点之间需要储存关 阅读全文

摘要： 之前我们学习了动态数组的实现，接下来我们用它来实现两种数据结构——栈和队列。首先，我们先来看一下栈。 一、什么是栈？ 栈是计算机的一种数据结构，它可以临时存储数据。那么它跟数组有何区别呢？ 我们知道，在数组中无论添加元素还是删除元素，都可以根据索引位置或值进行操作，栈是否也支持这样的操作呢？答案是不 阅读全文

摘要： 静态数组 Java中最基本的数组大家肯定不会陌生： int[] array = new int[6]; for (int i = 0; i < array.length; i++){ array[i] = 2 * i + 1; } 通过循环把元素放入指定的位置中，类似于这样： 这是一个静态数组，因为 阅读全文

摘要： 之前写的线性回归，充斥了大量的公式，对于入门来说显得过于枯燥，所以打算重写这一部分，而了解了线性回归后，它又可以为我们解释深度学习的由来。 一、机器学习简述 机器学习可以理解为计算机根据给定的问题及数据进行学习，并可根据学习结果解决同类型的问题。可以把机器学习比作一个函数，把我们已知的数据输入进去， 阅读全文

摘要： 简介 朴素贝叶斯是一种基于概率进行分类的算法，跟之前的逻辑回归有些相似，两者都使用了概率和最大似然的思想。但与逻辑回归不同的是，朴素贝叶斯通过先验概率和似然概率计算样本在每个分类下的概率，并将其归为概率值最大的那个分类。朴素贝叶斯适用于文本分类、垃圾邮件处理等NLP下的多分类问题。 核心思想 每个样 阅读全文

摘要： k-means简介 k-means是无监督学习下的一种聚类算法，简单说就是不需要数据标签，仅靠特征值就可以将数据分为指定的几类。k-means算法的核心就是通过计算每个数据点与k个质心（或重心）之间的距离，找出与各质心距离最近的点，并将这些点分为该质心所在的簇，从而实现聚类的效果。 k-means具 阅读全文

摘要： 之前对线性回归和逻辑回归的理论部分做了较为详细的论述，下面通过一些例子再来巩固一下之前所学的内容。 需要说明的是，虽然我们在线性回归中都是直接通过公式推导求出w和b的精确值，但在实际运用中基本上都会采用梯度下降法作为首选，因为用代码表示公式会比较繁琐，而梯度下降法只需要不断对参数更新公式进行迭代即可 阅读全文

摘要： 什么是线性回归？ 根据样本数据的分布特点，通过线性关系模拟数据分布趋势，从而进行预测。对于下图来说，样本点的连线大致接近于一条直线，所以就可以将函数模拟成线性方程。 设 f(x) = wx + b，所以只要求出w 和 b，就可以得到x与y的关系，从而能够根据x预测出对应的y。 要求 w 和 b，只能 阅读全文