- 综合排序
- 最热优先
- 最新优先
- 来自专栏AI机器学习与深度学习算法
学习分类 2-3 感知机
感知机是非常简单的模型，基本不会应用到实际的问题当中，但是它是神经网络和深度学习模型的基础模型。 图片 下表示收集到的六个训练数据。 《白话机器学习的数学》
68210编辑于 2022-11-08 - 来自专栏算法无遗策
动画 | 什么是2-3树？
2-3树正是一种绝对平衡的树，任意节点到它所有的叶子节点的深度都是相等的。 2-3树的数字代表一个节点有2到3个子树。它也满足二分搜索树的基本性质，但它不属于二分搜索树。 2-3树查找元素 2-3树的查找类似二分搜索树的查找，根据元素的大小来决定查找的方向。 动画：2-3树插入 2-3树删除元素 2-3树删除元素相对比较复杂，删除元素也和插入元素一样先进行命中查找，查找成功才进行删除操作。 2-3树为满二叉树时，删除叶子节点 2-3树满二叉树的情况下，删除叶子节点是比较简单的。 动画：2-3树删除 -----END---
1.1K10发布于 2020-01-02 - 来自专栏我是攻城师
什么是2-3树
前言 前面的文章我们已经学习了二叉搜索树和平衡二叉搜索树AVL树，今天我们再来了解一种新的平衡树2–3树，2–3树由约翰·霍普克洛夫特于1970年发明，在计算机科学中，2–3树是一种树型数据结构，内部节点 2-3树 VS 二叉搜索树 同样的一组数据，在2-3树和二叉搜索树里面的对比如下： ? 2-3树的插入 为了保持平衡性，2-3树的插入如果破坏了平衡性，那么树本身会产生分裂和合并，然后调整结构以维持平衡性，这一点和AVL树为了保持平衡而产生的节点旋转的作用一样，2-3树的插入分裂有几种情况如下 2-3树的删除 2-3树节点的删除也会破坏平衡性，同样树本身也会产生分裂和合并，如下： ? 感兴趣的朋友可以自行查询资料学习。
2.4K20发布于 2019-04-28 - 来自专栏刷题笔记
2-3 链表拼接 (20 分)
本文链接：https://blog.csdn.net/shiliang97/article/details/101050371 2-3 链表拼接 (20 分) 本题要求实现一个合并两个有序链表的简单函数
75140发布于 2019-11-08 - 来自专栏python3
2-3 选项卡控件
2-3 选项卡控件 u本节学习目标： n了解选项卡控件的基本属性 n掌握如何设置选项卡控件的属性 n掌握统计页面选项卡控件页面基本信息 n掌握选项卡控件的功能操作控制 2-3-1 简介 在 Windows 一般选项卡在Windows操作系统中的表现样式如图2-3所示。 ? 图2-3 图片框控件的属性及方法 2-3-2 选项卡控件的基本属性 图片框控件是使用频度最高的控件，主要用以显示窗体文本信息。 图2-4 设置tabControl控件的属性 ? 图2-5 设置tabControl控件的属性完成效果图 接下来，设置选项卡的提示信息，即当鼠标移动到某个页面后，弹出提示信息。 图2-6 设置tabControl控件的属性完成效果图 2． 案例学习：统计页面基本信息 从工具箱中拖过一个tabControl控件，并在其下面添加一个label标签，设置及运行后的样式如图2-7所示。 ?
2.3K10发布于 2020-01-07 - 来自专栏python3
2-3 T-SQL函数
2-3 T-SQL函数 学习系统函数、行集函数和Ranking函数；重点掌握字符串函数、日期时间函数和数学函数的使用参数以及使用技巧 重点掌握用户定义的标量函数以及自定义函数的执行方法 掌握用户定义的内嵌表值函数以及与用户定义的标量函数的主要区别 结果比较图如图2-5所示，请读者与图2-4进行数据比较。 ? ? ? 图2-3 薪酬排序基本情况 图2-4 row_number函数排序 图2-5 row_number另一使用 我们可以使用Row_number函数来实现查询表中指定范围的记录，一般将其应用到Web应用程序的分页功能上 -6和图2-7所示的查询结果有什么不同。 图2-6 RANK()使用情况 图2-7 DENSE_RANK()使用情况 图2-8 NTILE()使用情况 2-3-4 用户自定义函数 SQL SERVER创建了用户自定义的函数，它同时具备了视图和存储过程的优点
2.3K10发布于 2020-01-08 - 来自专栏自然语言处理
图与图学习（下）
例如，在电子商务中，一个基于图（Graph）的学习系统能够利用用户和产品之间的交互来做出非常准确的推荐，但图的复杂性使得现有的深度学习算法在处理时面临着巨大的挑战。 需要注意的是，图神经网络的研究与图嵌入（对图嵌入不了解的读者可以参考这篇文章《图嵌入综述》）或网络嵌入密切相关，图嵌入或网络嵌入是数据挖掘和机器学习界日益关注的另一个课题。 图嵌入旨在通过保留图的网络拓扑结构和节点内容信息，将图中顶点表示为低维向量，以便使用简单的机器学习算法（例如，支持向量机分类）进行处理。 许多图嵌入算法通常是无监督的算法，它们可以大致可以划分为三个类别，即矩阵分解、随机游走和深度学习方法。 图卷积网络是许多复杂图神经网络模型的基础，包括基于自动编码器的模型、生成模型和时空网络等。下图直观地展示了图神经网络学习节点表示的步骤。 ?
99230发布于 2021-03-23 - 来自专栏自然语言处理
图与图学习（中）
在上篇中，我们简单学习了图论的基本概念，图的表示和存储方式，同构图和异构图的分类，以及几个基础的图论算法。 在接下来的前置教程下篇中，我们将会学习图机器学习。 本案例将包含以下内容： 一. 图机器学习 图学习的主要任务 图学习中包含三种主要的任务： 链接预测（Link prediction） 节点标记预测（Node labeling） 图嵌入（Graph Embedding） ---- 链接预测 这相当于监督学习中的train/test的划分。 然后，我们评估密集图的正确预测的比例，或者使用稀疏图的标准曲线下的面积(AUC)。 到目前为止，我们所看到的图的一个局限性是没有向量特征。但是，我们可以学习图的嵌入！ ，链接预测和图嵌入的图学习技术。
1.6K10发布于 2021-03-17 - 来自专栏机器学习入门
算法原理系列：2-3查找树
我就不卖关子了，直接给出2-3树的其中一个基本定义： 一棵2-3查找树或为一颗空树，或由以下节点组成： 2-节点：含有一个键和两条链接，左链接指向的2-3树中的键都小于该节点，右链接指向的2-3树中的键都大于该节点 3-节点：含有两个键和三条链接，左链接指向的2-3树中的键都小于该节点，中链接指向的2-3树中的键都位于该节点的两个键之间，右链接指向的2-3树中的键都大于该节点。 ！！！ 左图是命中情况，右图是未命中，跟着图一步步走，就能理解整个查找过程了，这里我就不废话了。 所以很明显（a）图是平衡的，而（b）图是不平衡的。其实还要思考一个问题，平衡这个概念为何而出？定义树的平衡有它的必要性么？ 好了，整体的23树的构建已经阐述完毕了，原本想看看书上是怎么实现的，让我继续加深理解，结果却在书中找到这样一段话，也是让我很无语，但它所提出的思想值得学习。
1.2K20发布于 2019-05-26 - 来自专栏U3D技术分享
《游戏引擎架构》阅读笔记-第2-3章
以下是一些窍门：（P77 2） 1、学习在调试器中阅读及单步执行反汇编 2、运用寄存器去推理变量的值或地址 3、使用地址取检查变量及对象内容 4、利用静态和全局变量 5、修改代码 2.3 剖析工具 游戏通常是高性能的实时系统
1K10编辑于 2022-10-28 - 来自专栏五分钟学算法
数据结构与算法——2-3树
因此，引入了 2-3 树来提升效率。2-3 树本质也是一种平衡搜索树，但 2-3 树已经不是一棵二叉树了，因为 2-3 树允许存在 3 这种节点，3- 节点中可以存放两个元素，并且可以有三个子节点。 2-3 树定义 2-3 树的定义如下： （1）2-3 树要么为空要么具有以下性质： （2）对于 2- 节点，和普通的 BST 节点一样，有一个数据域和两个子节点指针，两个子节点要么为空，要么也是一个2 例如图 2.1 所示的树为一棵 2-3 树： ? 图2.1 2-3 树性质 性质： （1）对于每一个结点有 1 或者 2 个关键码。 （2）当节点有一个关键码的时，节点有 2 个子树。 2-3树查找 2-3 树的查找类似二叉搜索树的查找过程，根据键值的比较来决定查找的方向。 例如在图 2.1 所示的 2-3 树中查找键为H的节点： ? img 例如在图 2.1 所示的 2-3 树中查找键为 B 的节点： ?
88310发布于 2019-09-03 - 来自专栏育种数据分析之放飞自我
笔记GWAS 操作流程2-3：MAF过滤
因为这里是人的数据，所以染色体只需要去1~22的常染色体，提取它的家系ID和个体ID，后面用于提取。
6.2K20发布于 2020-04-14 - 来自专栏InCerry
.NET周刊【4月第2-3期】
本文介绍了多个面向.NET开发者的机器学习库和深度学习框架，如MathNet.Numerics和ML.NET等，强调了它们的成熟性和社区支持。 『Plotly实战指南』--面积图绘制与应用 https://www.cnblogs.com/wang_yb/p/18822959 面积图是一种有效的数据可视化工具，能够展示数据总量、趋势和类别对比。 本文介绍了如何使用Plotly绘制普通和堆叠面积图。普通面积图用于展示单一数据序列的趋势；堆叠面积图则展示多序列的部分与整体关系。文章还比较了两种图表的特点，包括数据关系、填充模式和适用场景。 C# LINQ 快速入门实战指南，建议收藏学习！ 整体内容活跃且实用，适合开发者学习和使用。
1K10编辑于 2025-05-04 - 来自专栏静之森
记录折腾路上用到的教程 自2-3开始
netdata: Real-time performance monitoring
75020编辑于 2021-12-28 - 来自专栏算法无遗策
（基于2-3树）
学习过2-3树之后就知道应怎样去理解红黑树了，如果直接看「算法导论」里的红黑树的性质，是看不出所以然。 此时我们借着2-3树去理解基本的红黑树，当然我会在后几篇文章介绍2-3-4树以及基于2-3-4树的红黑树。 （和2-3树等价的，任意节点到其叶子节点的高度都是相同的）。 因为2-3树不存在永久的4-节点，4-节点终归要分解的（在2-3-4树中，为了更好地插入和删除，4-节点可存在于叶子节点和非叶子节点）2-3树一样不行，所以在2-3树中没有任何一个节点能同时和两条红链接相连 删除任意元素 在前面学习了删除最小节点，删除任意节点自然就很简单了。
1.1K20发布于 2020-01-02 - 来自专栏Android知识点总结
2-3树与红黑树
直到今天了解了2-3树，才豁然开朗。2-3树是一种神奇的树，它能够保证该树是一个完美树。2-3树可以演化成红黑树，这便是保证红黑树效率的根本。 先说奇葩的2-3树，首先2-3树满足二分搜索树，但每个节点可能存在1或2个数据，对应的该节点就可能存在2或3个子节点 2-3树 ? 2-3树引入.png 2-3树插入操作： ? 2-3树.png 2-3树演化为红黑树 将三节点拆为两个节点，并将左数据节点设为红色来实现2-3树同等功能 ? 红黑树.png
62930发布于 2018-09-29 - 来自专栏mysql
hhdb数据库介绍(2-3)
拓扑图支持记录并展示前端应用、计算节点、存储节点产生的INFO、WARNING、ERROR信息。 支持2D与2.5D拓扑图切换查看。 集群数据量报表：集群数据量变化趋势图、集群数据量分布图、逻辑库数据量分布图、表数据量分布图。 计算节点吞吐量报表：计算节点吞吐量变化趋势图、计算节点吞吐类型对比图、逻辑库吞吐量对比图、表吞吐量对比图。 数据节点吞吐量报表：数据节点吞吐总量对比图、数据节点吞吐量变化趋势、集群吞吐类型对比图、逻辑库吞吐量对比图、表吞吐量对比图。 计算节点连接报表：总连接数、连接时长最长的连接、操作次数最多的连接、连接次数最多的连接、连接总时长占比、连接总次数占比、操作次数占比、前端应用IP连接分布图、连接用户分布图、逻辑库分布图。
69510编辑于 2025-03-07 - 来自专栏机器之心
图论与图学习（二）：图算法
本文是其中第二篇，介绍了图算法。 前一篇文章介绍了图的主要种类以及描述一个图的基本特性。现在我们更加详细地介绍图分析/算法以及分析图的不同方式。 我们将在第三篇文章中介绍图中的机器学习和图学习。 四 总结 现在我们已经介绍了图的基础知识、图的主要类型、不同的图算法和它们使用 networkx 的 Python 实现。 下一篇文章我们将介绍图学习，这能提供预测图中节点和边的方法，从而处理缺失值或预测新的关系。 扩展阅读： Neo4j 的图算法全面指南，Mark Needham & Amy E.
4.6K22发布于 2019-08-06 - 来自专栏机器学习/数据可视化
NLP札记2-3种匹配方式
分为两个方法：基于词典规则和基于机器学习 词典分词：最常见的分词算法，一套词典和一套查词典的规则即可。 词 词语指的是具备独立意义的最小单位。词典中的字符串就是词。
1.1K10发布于 2021-03-02 - 来自专栏DrugOne
图对比学习 | 结合图的结构信息和节点特征的图对比学习
最近，对比学习（CL）已成为一种无监督的图表示学习的非常热门的方法。大多数图CL方法首先在输入图上进行随机扩充，得到两个视图，并使两个视图的表示一致性最大化。 尽管图CL方法得到了长足的发展，但图增广方案（CL中的关键组成部分）的设计仍然很少被探索。 本文认为，数据扩充方案应保留图的内在固有结构和属性信息，这使得模型对不重要的节点和边的扰动不敏感。 在本文中，作者提出了一种新的具有自适应增强的图对比表示学习方法，该方法结合了图的拓扑和语义方面的各种先验。 具体来说，在拓扑级别，本文基于节点中心性度量设计增强以突出重要的连接结构。 实验表明，提出的方法始终优于现有的最新方法，甚至超过了一些监督学习的对应方法，这证明了采用自适应增强的对比框架的有效性。 ?
2.9K70发布于 2021-02-02
腾讯云开发者
Copyright © 2013 - 2026 Tencent Cloud. All Rights Reserved. 腾讯云 版权所有
深圳市腾讯计算机系统有限公司 ICP备案/许可证号：粤B2-20090059 
粤公网安备44030502008569号
腾讯云计算（北京）有限责任公司 京ICP证150476号 | 京ICP备11018762号