斯坦福【概率与统计】课程笔记（一） 一、概述 课程是把统计和概率分开论述的：先介绍“统计”，然后引出“概率”的概念。 一句话概括“统计”的意义：将数据转变为有用的信息（converting data into useful information），其本质上就是个：搜集数据（Collect data Read More
LCS的python实现： Read More
Trie树的python实现（leetcode 208） AC改进算法python实现 Read More
算法背景： KMP算法是由Donald Knuth和Vaughan Pratt于1970年共同提出的，而James H.Morris也几乎同时间独立提出了这个算法。因此人们将其称作“克努特-莫里斯-普拉特”算法（简称KMP）。 KMP算法的学习，可以在掌握了BF算法原理、并结合“BF算法效率低”作为 Read More
算法背景： BF（Brute Force）算法，是一种在字符串匹配的算法中，比较符合人类自然思维方式的方法，即对源字符串和目标字符串逐个字符地进行比较，直到在源字符串中找到完全与目标字符串匹配的子字符串，或者遍历到最后发现找不到能匹配的子字符串。算法思路很简单，但也很暴力。 算法原理： 假设源字符串 Read More
翻译辛格尔博士对知识图谱的介绍，原文链接：https://googleblog.blogspot.com/2012/05/introducing-knowledge-graph-things-not.html?hl=zh_CN 搜索，大多与发现——人类基本对学习和拓宽其视野的需求——有关。但对用户而 Read More
一、神经网络代价函数深入理解： 逻辑回归中的代价函数形式为：$J(\theta )=-\frac{1}{m}\sum_{i=1}^{m}\left [ y^{(i)}log(h_\theta(x^{(i)}))+(1-y^{(i)})log(1-h_\theta(x^{(i)})) \right ] Read More
第三周课程中，逻辑回归代价函数的求导过程没有具体展开，在此推导并记录： 逻辑回归的代价函数可以统一写成如下一个等式： $J(\theta ) = -\frac{1}{m}\left[\sum_{i=1}^{m}y^{(i)}log(h_\theta (x^{(i)}))+(1-y^{(i)})log Read More
Coursera系列课程 第二周的向量化一节中，关于梯度下降法的向量化过程，开始不是很明白，后来自己推导了一下，记录到这里。 如下是梯度下降法的参数递归公式(假设n=2)： 公式1： $\theta_0 := \theta_0 - \alpha \frac{1}{m}\sum_{i=1}^{m}(h Read More
开始学习Spring的时候，对依赖注入(DI)——也叫控制反转(IOC)—— 的理解不是很深刻。随着学习的深入，也逐渐有了自己的认识，在此记录，也希望能帮助其他入门同学更深入地理解Spring。本文不再介绍其背景与定义，比 如“究竟是什么控制被反转了？”、“注入了什么依赖？”等等问题，在网络上应该会 Read More