- 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
机器学习入门 7-3 求数据的主成分pca
本系列是《玩转机器学习教程》一个整理的视频笔记。在前面两个小节中介绍了使用梯度上升法求解主成分分析相应的原理与公式推导，本小节会具体的编程实现使用梯度上升法求解主成分。 如果不将w模设置为1，每次更新的时候w的模很大的程度上都要大于1，这样可能会导致搜索参数的过程不顺畅，为了让我们搜索到更加合理的结果，相应的就需要将eta学习率设置的非常小，相应的循环次数就需要设置的大一下
81250发布于 2019-11-13 - 来自专栏刷题笔记
7-3 打印沙漏
点这里 7-3 打印沙漏 本题要求你写个程序把给定的符号打印成沙漏的形状。 我做题的时候还是写的有点乱 1.先画出图，推出算行数的公式。 2.在按行数打印三角形，正三角形和倒三角型 3.最后输出剩余的个数。
72020发布于 2019-11-08 - 来自专栏繁花云
7-3笔记
对数的定义：一般地，如果ax=N（a>0，且a≠1），那么数x叫做以a为底N的对数，记作x=logaN，读作以a为底N的对数，其中a叫做对数的底数，N叫做真数。
57300发布于 2018-07-31 - 来自专栏以终为始
7-3 情人节 （15 分)
输入按照点赞的先后顺序给出不知道多少个点赞的人名，每个人名占一行，为不超过10个英文字母的非空单词，以回车结束。一个英文句点.标志输入的结束，这个符号不算在点赞名单里。
21220编辑于 2023-03-09 - 来自专栏刷题笔记
7-3 约瑟夫环 (25 分)
本文链接：https://blog.csdn.net/shiliang97/article/details/101472782 7-3 约瑟夫环 (25 分) N个人围成一圈顺序编号，从1号开始按1、
1.1K10发布于 2019-11-08 - 来自专栏刷题笔记
7-3 电话聊天狂人 (25 分)
点这里 7-3 电话聊天狂人 (25 分) 给定大量手机用户通话记录，找出其中通话次数最多的聊天狂人。 输入格式: 输入首先给出正整数N（≤105），为通话记录条数。 cout<<a<<" "<<max<<" "<<t<<endl; else cout<<a<<" "<<max<<endl; return 0; } 没学过map但是做上了照着代码，那就学习学习
1K20发布于 2019-11-08 - 来自专栏刷题笔记
7-3 寻找大富翁 (50分)
胡润研究院的调查显示，截至2017年底，中国个人资产超过1亿元的高净值人群达15万人。假设给出N个人的个人资产值，请快速找出资产排前M位的大富翁。
1.5K10发布于 2020-06-23 - 来自专栏以终为始
7-3 树的同构 （25 分）
7-3 树的同构 （25 分） 给定两棵树T1和T2。如果T1可以通过若干次左右孩子互换就变成T2，则我们称两棵树是“同构”的。 而图2就不是同构的。 图1 图2 现给定两棵树，请你判断它们是否是同构的。 输入格式: 输入给出2棵二叉树树的信息。 输入样例1（对应图1）： 8 A 1 2 B 3 4 C 5 - D - - E 6 - G 7 - F - - H - - 8 G - 4 B 7 6 F - - A 5 1 H - - C 0 - D - - E 2 - 输出样例1: Yes 输入样例2（对应图2）： 8 B 5 7 F - - A 0 3 C 6 - H - - D - - G 4 - E 1 - 8 D 6 - B 5 - E
23110编辑于 2023-03-09 - 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。 ?
99330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 - 来自专栏刷题笔记
7-3 堆栈操作合法性 (20 分)
本文链接：https://blog.csdn.net/shiliang97/article/details/98609302 7-3 堆栈操作合法性 (20 分) 假设以S和X分别表示入栈和出栈操作。
1.5K20发布于 2019-11-08 - 来自专栏freesan44
PTA 7-3 拼题 A 是真爱 (20 分)
如果一个人在一段话里很多次提到 pintia，那对拼题 A 就是真爱啦~ 本题就请你检查一下给定的文字中出现了几次 pintia。
42210编辑于 2021-12-06 - 来自专栏数据结构和算法
7-3 调查电视节目受欢迎程度 (15分)
7-3 调查电视节目受欢迎程度 (15分) 某电视台要调查观众对该台8个栏目（设相应栏目编号为1~8）的受欢迎情况，共调查了n位观众（1≤n≤1000），现要求编写程序，输入每一位观众的投票情况（每位观众只能选择一个最喜欢的栏目投票
32710编辑于 2023-11-30 - 来自专栏freesan44
PTA 7-3 拼题 A 是真爱 (20 分)
如果一个人在一段话里很多次提到 pintia，那对拼题 A 就是真爱啦~ 本题就请你检查一下给定的文字中出现了几次 pintia。
59000发布于 2021-09-10 - 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 - 来自专栏自然语言处理
图神经网络（01）-图与图学习(上)
来源：百度Aistudio 图神经网络7日打卡营 图（graph）近来正逐渐变成机器学习的一大核心领域，在开始PGL框架学习之前，我们先简单学习一下图论的基本概念，图论的经典算法，以及近些年来图学习的发展 图是什么？ 二. 如何存储图？ 三. 图的类型和性质 四. 主要的图算法 五. 图机器学习的发展 一. 图是什么？ 参考资料，以及更多图论经典算法 图论与图学习（一）：图的基本概念 图论与图学习（二）：图算法 github.com/maelfabien/Graph_Analysis.ipynb aistudio版本Graph_Analysis 更多学习教程 github.com/maelfabien/Machine_Learning_Tutorials 五. 图机器学习的发展 将在PGL系列前置教程：图与图学习（下）展示。
3.7K32发布于 2021-01-27 - 来自专栏CKL的思考空间
学习累积流图
01 累积流图是如何生成的？团队需要根据自己的研发过程流程节点，记录某天每个节点上的数量，然后以日期为横坐标，卡片数量为纵坐标，生成如下图所示的图形，就是累积流图了。 在迭代中，SM经常还会关注一个图：燃尽图。它是以图表展示随着时间的减少工作量的剩余情况。工作量一般以竖轴展示，时间一般以横轴展示。 燃尽图对于预测何时完成工作很有用，但是它只有结果，没有过程，不利于问题分析。 02 那么，对于累积流图，我们需要关注一些什么呢？以上图为例，我们需要关注以下几点。 在现实的团队中，不太可能出现完美的累积流图，那么，我们可以通过累积流图发现哪些问题呢？ 如上图，在迭代的后期，卡片状态都没有变化了，那么就需要关注下团队在干什么，放假了？ 用累积流图观察一个团队的工作进展时，数值本身不能说明问题，但数值的变化趋势会给我们一些预警，告诉我们哪个环节可能碰到了问题或成为瓶颈。
1.2K10编辑于 2023-08-28 - 来自专栏python3
python 学习导图
?
64220发布于 2020-01-14 - 来自专栏全栈程序员必看
活动图学习笔记
1 活动图基本概念 事件流除了用文本形式来表示外，还经常用活动图来表示。为什么有了文本形式以后还要开发这种框图形式呢？ 活动图显示与文本事件流相同的信息。我们在业务模型中用活动框图描述业务过程的工作流。 2 活动图的组成要素 活动图的组成要素主要有：起始点和终止点、活动、迁移、决策框、分支和汇聚。 起始点：指明活动开始位置；一个活动图只能有一个起始点。 终止点：指明活动的结束位置；一个活动图可以有多个结束点，不同的结束点表达系统执行后可以达到不同的结果状态。 2.2 活动 活动是活动图的基本组成部分，一个活动图至少应该包括一个活动。活动用以下符号表示。 另外，可以在活动中增加更多详细的步骤，并且我们通常在这些操作前面加上一些标记字样。 3 带泳道的活动图 4 活动图建模原则 “活动图” 比较直观易懂；与传统的流程图十分的相近，只要能够读懂活动图，就不难画出活动图。
2.6K10编辑于 2022-08-18
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