- 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 6-7 sklearn中的随机梯度下降法
本系列是《玩转机器学习教程》一个整理的视频笔记。本小节主要介绍改进上一小节代码，封装自己的随机梯度下降法并应用，之后应用sklearn实现随机梯度下降法。
1.3K20发布于 2019-11-13 - 来自专栏布衣者博客
LeetCode-题库-刷题(6-7)
将一个给定字符串 s 根据给定的行数 numRows ，以从上往下、从左到右进行 Z 字形排列。 具体题目链接
50620发布于 2021-09-07 - 来自专栏python3
笨办法学Python - 习题6-7:
目录 1、习题 6: 字符串(string) 和文本 2、加分习题： 3、我的答案 4、习题总结 5、习题 7: 更多打印 6、习题总结 1、习题 6: 字符串(string) 和文本 学习目标：了解字符串的定义 5、习题 7: 更多打印 学习目标：熟练掌握字符串的格式化输出，这节主要是练习为主。 习题七中的练习代码是： #! 6、习题总结 习题7主要是回顾了之前学习的知识点，包括print操作，字符数串的格式化输出等。
76010发布于 2020-02-10 - 来自专栏iOS面试
iOS 面试策略之算法基础6-7节
之前介绍了最简单的搜索法：二分搜索。虽然它的算法复杂度非常低只有 O(logn)，但使用起来也有局限：只有在输入是排序的情况下才能使用。这次讲解两个更复杂的搜索算法:
94730发布于 2021-04-22 - 来自专栏AI SPPECH
IO竞赛2025年题目解析：中级难度（6-7）
2025年的中级难度（难度系数6-7）题目综合考察了选手的算法设计、数据结构应用、数学建模和问题分析能力。本文将深入解析2025年中级难度的IO竞赛题目，帮助选手们突破瓶颈，提升解题能力。 难度进阶路径: 入门(1-3) → 基础(4-5) → 中级(6-7) → 高级(8-10) 难度系数 考察重点 核心知识点 学习目标 6-7 高级算法、数据结构综合应用 高级动态规划、图论、数论、几何 8题） ├── 第四章：中级难度题目解题策略 └── 第五章：综合能力提升建议 第一章：2025年IO竞赛中级难度题目概述 根据2025年NOI修订版大纲，中级难度（CSP-S提高）的知识点难度系数为6- 解题策略: 问题分析 → 模型建立 → 算法选择 → 代码实现 → 测试优化 第五章：综合能力提升建议 对于想要在IO竞赛中取得好成绩的选手，以下是一些综合能力提升的建议： 系统学习：系统地学习各种算法和数据结构 学习交流：与其他选手交流学习经验，分享解题思路，拓宽视野。 关注前沿：关注算法和数据结构的最新发展，学习新的解题方法和技巧。
36210编辑于 2025-11-13 - 来自专栏linjinhe的专栏
设计数据密集型应用（6-7）：分片、事务
随着业务发展，用户数量、商品数量、订单数量都在持续增长，数据库的负载越来越高。我们开始对数据库进行垂直拆分（垂直分片），把这三张表拆到三个数据库，而业务代码改改数据库的配置就好。
81850发布于 2020-04-02 - 来自专栏HelloCode开发者学习平台
iOS开发者多线程学习之旅
说到锁，我们再来看看苹果爸爸的给出干货Synchronization Costs and Performance
56910发布于 2019-01-23 - 来自专栏嵌入式音视频
【Airplay】WWDC学习_苹果开发者大会
PHPicker 现在在带有 macOS Ventura 的 Mac 以及带有 watchOS 9 的手表上 更新您的 Mac 和 Watch App 以访问照片 而不提示用户 访问所有照片 Web开发者的创新
1.4K10编辑于 2023-04-07 - 来自专栏鸿的学习笔记
写给开发者的机器学习指南（十三）
在我们实际使用支持向量机（SVM）之前，我先简要介绍一下SVM是什么。 基本SVM是一个二元分类器，它通过选取代表数据点之间最大间隔的超平面将数据集分成2部分。 SVM采用所谓的“校正率”值。 如果没有完美分割，校正速率允许拾取仍然在该误差率内分裂的超平面。因此，即使在线上存在一些点时，校正速率也允许超平面拟合。 这意味着我们不能为每个案例提出“标准”纠正率。 然而，当数据中没有重叠时，较低的值应该比较高的值更好。
82210发布于 2018-08-06 - 来自专栏鸿的学习笔记
写给开发者的机器学习指南（八）
这种数据操作技巧在机器学习领域是非常常见的。 找到正确的尺度需要一些洞察力。 我们将要研究的下一个特征是主题发生的频率和时间范围。如果主题出现得更多，它可能具有更高的重要性。
81220发布于 2018-08-06 - 来自专栏鸿的学习笔记
写给开发者的机器学习指南（二）
Learning methods 在机器学习领域有两种主要的学习方式，即监督学习和无监督学习。 当您想在您的应用程序中使用机器学习时，需要简要说明下，因为选择正确的机器学习方法和算法是一个重要但有时也是一个繁琐的过程。 Classification 在监督学习领域内的分类问题相对简单。给定一组标签，以及一些已经接收到正确标签的数据，我们希望能够预测尚未标记的新数据的标签。 Unsupervised learning 与监督相反的是使用无监督学习，您不能预先准确地知道输出。应用无监督学习的想法是在数据集中找到隐藏的底层结构。 无监督学习的另一个例子是K均值聚类。 K均值聚类背后的想法是在数据集中查找集合，以便以后可以将这些集合用于诸如监督学习的目的。
63320发布于 2018-08-06 - 来自专栏鸿的学习笔记
写给开发者的机器学习指南（十二）
此代码加载DJI数据，并将其添加到已经包含我们自己的股票市场指数的图形上。但是，当我们执行这段代码时，结果如下。
64220发布于 2018-08-06 - 来自专栏鸿的学习笔记
写给开发者的机器学习指南（六）
Practicalexamples 在本节中，我们为您介绍一组在实际环境中的机器学习算法。 这些例子的想法是让你开始使用机器学习算法，而不深入解释底层算法。 绘制数据背后的想法是验证K-NN是否是针对该特定数据集的拟合机器学习算法。 在这种情况下，数据如下： ? 考虑到使用K-NN算法是适合这个问题的选择，让我们继续实际的机器学习部分。对于此，GUI是开源的，因为它没有真正添加任何值。回忆一下机器学习的全局概念，在机器学习中有两个关键部分：预测和验证。 这就是为什么有一个足够大和代表性的数据集是一个良好的机器学习应用程序的关键。然而，当意识到这个问题，你可以不断根据新的数据和已知正确的分类不断更新你的模型。 让我们回顾一下我们迄今为止做了什么。
72020发布于 2018-08-06 - 来自专栏鸿的学习笔记
写给开发者的机器学习指南（七）
与每个机器学习实现一样，第一步是加载训练数据。然而在这个例子中，我们直接进入机器学习中。在KNN的例子中，我们有下载和上传速度作为功能。 我们没有将它们称为特征，因为它们是唯一可用的属性。 或者机器学习的完成是运行在完整的Hadoop集群上的，但解释这个将超出本博客的范围。
71210发布于 2018-08-06 - 来自专栏鸿的学习笔记
写给开发者的机器学习指南（九）
这些格式对于绘制数据和反馈到机器学习算法是有好处的。让我们先看看数据是什么样子。 为此，我们使用以下代码绘制数据。 让您意识到这种可能性可能有助于您找到数据中的集合，这可以提高机器学习应用程序的性能。现在我们已经看到了数据，看到确实我们可以想出一个线性回归线来拟合这些数据。
90410发布于 2018-08-06 - 来自专栏鸿的学习笔记
写给开发者的机器学习指南（十）
An attempt at rank prediction for topselling books using text regression
66730发布于 2018-08-06 - 来自专栏鸿的学习笔记
写给开发者的机器学习指南(一)
文：Mike de Waard 大多数开发人员已经听说过机器学习，但是当试图找到一种“容易”的方法进入这种技术时，大多数人发现自己被机器学习和术语的抽象概念吓退了，例如回归，无监督学习，概率密度函数等许多其他的定义 如果一个人选择阅读书籍，如使用R语言的统计学习介绍，以及使用R语言的黑客的机器学习。 然而R并不是真正的编程语言，其中用于日常使用的是例如Java，C＃，Scala等语言。 这就是为什么在这个博客中，将介绍使用Smile，一个机器学习库，在Java和Scala中都可以使用的一个机器学习库。这些是大多数开发人员在学习或职业生涯中至少看过一次的语言。 该部分的实例来自“机器学习黑客”一书的例子。此外，机器学习实战这本书可以被用于验证。 机器学习可以以许多方式解释，有些会比其他的更准确，但是它的定义有很多不一致的地方。有人说机器学习是基于历史数据生成静态模型，然后允许您预测未来的数据。
66730发布于 2018-08-06 - 来自专栏企鹅号快讯
给 iOS 开发者的 python 学习日记十二
写在前面 我们在昨天的学习笔记讨论了 Python 基本变数类型与资料结构可以应用的属性或方法，除了基本的资料结构以外，你是否还记得 Python 可以透过引入 numpy 套件之后使用 ndarray
1K50发布于 2018-02-12 - 来自专栏鸿的学习笔记
写给开发者的机器学习指南（十一）
将这24个股票价格合并为1大量减少了要处理的数据量，并减少了我们的数据的维度，这是一个很大的优势，如果我们后来应用其他机器学习算法，如回归预测。
54120发布于 2018-08-06 - 来自专栏鸿的学习笔记
写给开发者的机器学习指南（三）
Validation techniques 在本节中，我们将解释一些可用于模型验证的技术，以及在验证技术范围内机器学习领域常用的一些术语。 Crossvalidation 交叉验证技术是机器学习领域最常见的技术之一。它的本质是在训练你的模型时忽略你的数据集的一部分，然后使用模型来预测这个被忽略的数据。
68810发布于 2018-08-06
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