暂时未有相关云产品技术能力~
暂无个人介绍
搜索与图论-树与图的广度优先遍历
QT 学习笔记(八)
搜索与图论-树与图的深度优先遍历
搜索与图论-BFS
搜索与图论-DFS
QT 学习笔记(七)
数据结构-哈希表-1
QT 学习笔记(六)
数据结构-堆
四、并查集例题——连通块中点的数量
数据结构-并查集
QT 学习笔记(四)
Tire 树 又称单词查找树,是一种树形结构,是一种哈希树的变种。 Tire 树是一种能够快速存储和查找一组字符串集合的数据结构,是以空间换时间,利用字符串的前缀来降低查询时间。
数据结构- KMP 算法
由于每次代码都是在原有程序上修改,因此除了新建项目,不然一般会在学完后统一展示代码。 提示:具体项目创建流程和注意事项见QT 学习笔记(一) 提示:具体项目准备工作和细节讲解见QT 学习笔记(二)
栈和队列是两种常用的、重要的数据结构。 栈和队列是限定插入和删除只能在表的端点进行的线性表。 普通线性表的插入和删除操作如下:
在执行完 Widget w; 语句后,并不会立马执行 w.show(); ,还要先执行 Widget 的构造函数。 因此,我们在编写程序时主程序尽量不要改动,保持如下状态即可。程序的编写在他对应的 .h 和 .cpp 文件当中即可。
顺序表 是用一段物理地址连续的存储单元依次存储数据元素的线性结构(连续存储数据,不能跳跃)。 一般我们用数组存储顺序表,在数组上完成数据的增删查改。
本人直接用同学的安装包进行安装的,版本为 QT5.12 。大家可以在 CSDN 或者 B站 上看别人的安装教程,都做的很详细。
1. 离散化简介 离散化,把无限空间中有限的个体映射到有限的空间中去,以此提高算法的时空效率。通俗的说,离散化是在不改变数据相对大小的条件下,对数据进行相应的缩小。 离散化本质上可以看成是一种哈希,其保证数据在哈希以后仍然保持原来的全/偏序关系。 当有些数据因为本身很大或者类型不支持,自身无法作为数组的下标来方便地处理,而影响最终结果的只有元素之间的相对大小关系时,我们可以将原来的数据按照从大到小编号来处理问题,即离散化。 本文针对 整数、有序数组 进行离散化。
1. 位运算符简介 位运算符主要作用于位,是逐位进行操作。最常用的有:与 &、或 |、异或 ^。 常见的位运算符有(假设变量 A = 60,变量 B =13):
1. TOPSIS 法的优点 避免了数据的主观性,不需要目标函数,不用通过检验,而且能够很好的刻画多个影响指标的综合影响力度。 对于数据分布及样本量、指标多少无严格限制,既适于小样本资料,也适于多评价单元、多指标的大系统,较为灵活、方便
TOPSIS 是一种常用的综合评价方法,可以充分利用 原始数据 的信息,其结果可以精确地反映各评价方案之间的差距。
基本思路 如果将差分可以看作是一维差分,那么差分矩阵便是二维差分,与二维前缀和也就是子矩阵的和相对应,互为逆运算。
与前缀和的基本思想类似,上一篇博文对前缀和有所介绍,不是很理解的友友可以阅读一下。一般的前缀和可以看作一维运算,而子矩阵的和则可以看作是二维运算,但本质也是一样的。 原数组可以看作 a[i][j],s[i][j] 是所求区域的数组值和,以下图为例
高精度算法 为什么要使用高精度算法 C++ 每一个变量都有自己的类型,每个类型都有自己的存储长度范围
高精度算法 为什么要使用高精度算法 C++ 每一个变量都有自己的类型,每个类型都有自己的存储长度范围。
与上一篇整数二分的思路基本相同,但浮点二分通常是函数求根、开方等问题,比较简单。
二分法的基本思想比较简单,是用来在数组当中查找特定元素的算法。 二分可以分为整数二分和浮点二分,本文主要介绍整数二分。
做道简单一点的题巩固一下
当填写参数之后,随机森林可以变得更强大。比起经典机器学习算法逻辑回归、岭回归等,随机森林回归器的参数数量较多,因此我们可以将随机森林类的参数分为如下 4 大类别,其中标注为绿色的是我们从未学过的、只与集成算法相关的参数:
如随机森林中所展示的,集成算法的超参数种类繁多、取值丰富,且参数之间会相互影响、共同作用于算法的最终结果,因此集成算法的调参是一个难度很高的过程。
在开始学习之前,先导入我们需要的库。
PyTorch 是一个基于 Torch 的 Python 开源机器学习库,用于自然语言处理等应用程序。它主要由 Facebook 的人工智能小组开发,不仅能够实现强大的 GPU 加速,同时还支持动态神经网络,这一点是现在很多主流框架如 TensorFlow 都不支持的。
hub 模块是调用别人训练好的网络架构以及训练好的权重参数,使得自己的一行代码就可以解决问题,方便大家进行调用。 hub 模块的 GITHUB 地址是 https://github.com/pytorch/hub。 hub 模块的模型 网址是 https://pytorch.org/hub/research-models
在上一篇博客当中,我们通过搭建 PyTorch 神经网络实现了气温预测,这本质上是一个回归任务。在本次博文当中,我们使用 PyTorch 做一个分类任务。
本文参加新星计划人工智能(Pytorch)赛道:https://bbs.csdn.net/topics/613989052
首先,导入我们需要的库
MATLAB 是一种应用于科学计算领域的高级语言,它的主要功能包括数值计算功能,符号计算功能,绘图功能,程序设计语言功能以及工具箱的扩展功能。
MATLAB 数据类型较为丰富,既有数值型、字符串等基本数据类型,又有结构(Structure)、单元(Cell)等复杂的数据类型。 在 MATLAB 中,没有专门的逻辑型数据,而以数值 1 (非零)表示真,以数值 0 表示假。 MATLAB 各种数据类型都以矩阵形式存在,所以矩阵是 MATLAB 最基本的数据对象形式。
在 MATLAB 中,有两种基本的数据类型,一个是数值型数据,一个是字符型数据或称字符串数据。 数值型数据比较好理解,是指能参与数值运算的数据,又分为整型、浮点型和复数型。 字符型数据在日常应用中则不太强调,但却是大量存在的,例如统计一篇英文文章中不同英文字母出现的次数,按姓名排序,等等。字符串数据由若干个字符组成,这些字符可以是计算机系统中允许使用的任何字符
内部函数是由 MATLAB 系统根据一般用户的需要编制并提供给用户使用的一组程序,也被称为系统函数或库函数。
循环结构的基本思想是重复,即利用计算机运算速度快以及能进行逻辑控制的特点,重复执行某些语句,以满足大量的计算要求。
M 文件是由若干 MATLAB 命令组合在一起构成的程序,其扩展名为 .m。它可以完成某些操作,也可以实现某种算法。实际上,MATLAB 提供的内部函数以及各种工具箱,都是利用 MATLAB 命令开发的 M 文件。