- 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
87550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。
76320发布于 2019-11-08 - 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。
24220编辑于 2023-03-09 - 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。
61100发布于 2018-07-31 - 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
1.1K20发布于 2019-11-08 - 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。
25710编辑于 2023-03-09 - 来自专栏PPV课数据科学社区
【机器学习】机器学习系列：（一）机器学习基础
机器学习是设计和研究能够根据过去的经验来为未来做决策的软件，它是通过数据进行研究的程序。机器学习的基础是归纳（generalize），就是从已知案例数据中找出未知的规律。 然后，我们介绍机器学习系统可以处理的常见任务。最后，我们介绍机器学习系统效果评估方式。 从经验中学习 机器学习系统通常被看作是有无人类监督学习两种方式。 监督学习是通过一个输入产生一个带标签的输出的经验数据对中进行学习。机器学习程序中输出结果有很多名称，一些属于机器学习领域，另外一些是专用术语。 机器学习任务 常见的监督式机器学习任务就是分类（classification）和回归（regression）。 本书不会涉及这类需要上百个机器并行计算才能完成的任务，许多机器学习算法的能力会随着训练集的丰富变得更强大。但是，机器学习算法也有句老话“放入的是垃圾，出来的也是垃圾”。
2.3K123发布于 2018-04-23 - 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 - 来自专栏数据科学与人工智能
【机器学习】何谓机器学习 机器学习能做些什么？
最近我和一对夫妇共进晚餐，他们问我从事什么职业，我回应道：“机器学习。”妻子回头问丈夫：“亲爱的，什么是机器学习？”她的丈夫答道：“T-800型终结者。” 不过，这位朋友对机器学习的理解还是有所偏差的。机器学习能让我们自数据集中受到启发，换句话说，我们会利用计算机来彰显数据背后的真实含义，这才是机器学习的真实含义。 T-800型终结者（图片来源网络） 现今，机器学习已应用于多个领域，远超出大多数人的想象，下面就是假想的一日，其中很多场景都会碰到机器学习：假设你想起今天是某位朋友的生日，打算通过邮局给她邮寄一张生日贺卡 图1.1集中展示了使用到的机器学习应用。 ? 图1-1 机器学习在日常生活中的应用，从左上角按照顺时针方向依次使用到的机器学习技术分别为：人脸识别、手写数字识别、垃圾邮件过滤和亚马逊公司的产品推荐 上面提到的所有场景，都有机器学习软件的存在。
1.4K60发布于 2018-02-27 - 来自专栏后端码匠
【机器学习】机器学习-概述
---- 简单的一句话：让机器从数据中学习，进而得到一个更加符合现实规律的模型，通过对模型的使用使得机器比以往表现的更好，这就是机器学习。 对比于数据挖掘从大数据之间找相互特性而言，机器学习更加注重算法的设计，让计算机能够白动地从数据中“学习”规律，并利用规律对未知数据进行预测。 机器学习可以分为以下五个大类： (1)监督学习：从给定的训练数据集中学习出-一个函数，当新的数据到来时，可以根据这个函数预测结果。监督学习的训练集要求是输人和输出，也可以说是特征和目标。 一句话说明机器学习（MachineLearning） 简单的一句话：让机器从数据中学习，进而得到一个更加符合现实规律的模型，通过对模型的使用使得机器比以往表现的更好，这就是机器学习。 学习：在数据的基础上让机器重复执行一套特定的步骤（学习算法）进行事物特征的萃取，得到一个更加逼近于现实的描述（这个描述是一个模型它的本身可能就是一个函数）。
1.4K21发布于 2021-09-02 - 来自专栏数据科学与人工智能
【机器学习】读懂机器学习
在本篇文章中，我将对机器学习做个概要的介绍。本文的目的是能让即便完全不了解机器学习的人也能了解机器学习，并且上手相关的实践。 本文的主要目录如下： 1.一个故事说明什么是机器学习 2.机器学习的定义 3.机器学习的范围 4.机器学习的方法 5.机器学习的应用–大数据 6.机器学习的子类–深度学习 7.机器学习的父类–人工智能 而在机器学习领域，根据著名的一个实验，有效的证实了机器学习界一个理论：即机器学习模型的数据越多，机器学习的预测的效率就越好。 7.机器学习的父类–人工智能 人工智能是机器学习的父类。深度学习则是机器学习的子类。 介绍中首先是机器学习的概念与定义，然后是机器学习的相关学科，机器学习中包含的各类学习算法，接着介绍机器学习与大数据的关系，机器学习的新子类深度学习，最后探讨了一下机器学习与人工智能发展的联系以及机器学习与潜意识的关联
1.5K91发布于 2018-02-26 - 来自专栏学习
机器学习——量子机器学习
量子机器学习: 未来的机器学习方法 量子计算和机器学习的结合为计算科学带来了前所未有的前景。量子机器学习(QML)正在迅速发展，目标是利用量子计算的优势来处理传统计算机无法高效解决的问题。 本文将深入探讨量子机器学习的基本概念、量子计算的关键技术、具体的量子算法，以及如何结合现有的机器学习方法，以推动对未来量子优势的探索。 1. 机器学习与量子计算的结合 2.1 量子机器学习的定义 量子机器学习是将量子计算的技术应用于机器学习模型中，以期获得更高效的计算能力和更强的学习性能。 量子计算与机器学习的结合，可以分为以下几种形式： 经典机器学习加速：使用量子算法加速经典机器学习中的计算任务。 量子特征提取：使用量子态的特征提取来提高模型性能。 对于有兴趣深入量子机器学习的读者，可以进一步学习 Qiskit、PennyLane 等工具，亲自实践量子机器学习的算法实现。
1.2K10编辑于 2024-10-14 - 来自专栏数据科学与人工智能
【机器学习】机器学习算法之旅
在理解了我们需要解决的机器学习问题之后，我们可以思考一下我们需要收集什么数据以及我们可以用什么算法。本文我们会过一遍最流行的机器学习算法，大致了解哪些方法可用，很有帮助。 机器学习领域有很多算法，然后每种算法又有很多延伸，所以对于一个特定问题，如何确定一个正确的算法是很困难的。本文中我想给你们两种方法来归纳在现实中会遇到的算法。 学习方式 根据如何处理经验、环境或者任何我们称之为输入的数据，算法分为不同种类。机器学习和人工智能课本通常先考虑算法可以适应的学习方式。 这里只讨论几个主要的学习风格或学习模型，并且有几个基本的例子。 问题例子是机器人控制，算法例子包括Q-learning以及Temporal difference learning。 当整合数据模拟商业决策时，大多数会用到监督学习和无监督学习的方法。 当下一个热门话题是半监督学习，比如图像分类问题，这中问题中有一个大的数据库，但是只有一小部分图片做了标记。增强学习多半还是用在机器人控制和其他控制系统的开发上。
1.1K90发布于 2018-02-27 - 来自专栏智能大数据分析
【机器学习基础】初探机器学习
学习，即机器学习（machine learning），则是机器通过经验数据，对任务目标做出优化的自动化过程，例如人脸识别、语音识别等。 过去十年间，人工智能的主要进展在机器学习技术方面，以至于甚至分不清人工智能和机器学习之间的关系。在这里，重点讨论人工智能中服务预测任务的机器学习技术。 而支撑决策任务的机器学习技术被称为强化学习（reinforcement learning）。 二、机器学习是什么 那就究竟什么是学习呢？ 图1 传统的显式编程与机器学习的非显式编程 三、时代造就机器学习的盛行 那么机器学习技术为什么现在如此盛行呢？主要原因之一来自于时代造就！ 我们有理由相信，未来10年，机器学习技术会持续渗透到各行各业，在各类预测和决策任务场景中服务人类。 按照任务来分类，机器学习可以分为有监督学习、无监督学习和强化学习三大类。
46110编辑于 2025-01-23 - 来自专栏决胜机器学习
机器学习（一）——机器学习概述
机器学习（一）——机器学习概述 （原创内容，转载请注明来源，谢谢） 前言：近期开始学习机器学习，当前视频和书籍一起看，视频看的是吴恩达的机器学习系列课程，书籍看的《机器学习实战》。 目前是机器学习小白，希望各位有感兴趣的，可以一起开始学机器学习。大家可以多交流~~ 另外，由于工作上还是在做web服务端，因此还会经常更新对于web的学习体会~希望大家共同进步。 一、概述 机器学习是近期非常火的技术，其可以将输入的数据经过一定的处理，得到结果，具有预测、决策、统计、分类等功能，被广泛应用于各行各业。 机器学习主要分为两大类：监督学习（supervisor learning）和无监督学习（unsupervisor learning）。 四、机器学习开发步骤 机器学习应用开发，主要步骤如下： 1、收集数据 对于机器学习来说，没有数据就没有学习可言。数据可以是爬虫抓取、开源语料库、自己提供的数据源等。
1.2K100发布于 2018-03-07 - 来自专栏数据科学与人工智能
【机器学习】机器学习算法预览
在这篇文章中，我要带大家预览一下机器学习中最热门的算法。预览主要的机器学习算法可在某种程度上给你这样的一种感觉，让你知道什么样的方法是可靠的。 一般来说，决策树运行速度快，而且结果精确，是机器学习里最大的宠儿。 下面是一些我不会在这篇文章列举出来的机器学习算法，它们用于解决特别的任务的过程，例如： 功能选择算法 算法精度评估 性能测试 我也不会列举那些用于子领域的机器学习算法，例如 这里介绍了一些通俗易懂的方法，让你能很快的学习上手。 怎样学习机器学习算法 算法是机器学习的一个大模块。这个话题我是很有兴趣的，而且之前也写了很多这方面的博客。 如何运行这些机器学习算法 有时，你需要的只是一些代码。下面这些链接可以让你明白如何运行机器学习算法，并使用常规的库来编写这些代码或者从研究者运用它们。
1.4K50发布于 2018-02-27 - 来自专栏CSDN旧文
机器学习--机器学习的分类
在无监督学习中给定的数据是和监督学习中给定的数据是不一样的。在无监督学习中给定的数据没有任何标签或者说只有同一种标签。 无监督学习与监督学习的区别 有监督学习方法必须要有训练集与测试样本。 半监督学习 半监督学习(Semi-Supervised Learning，SSL)是模式识别和机器学习领域研究的重点问题，是监督学习与无监督学习相结合的一种学习方法。 迁移学习 随着越来越多的机器学习应用场景的出现，而现有表现比较好的监督学习需要大量的标注数据，标注数据是一项枯燥无味且花费巨大的任务，所以迁移学习受到越来越多的关注。 迁移学习是通过从已学习的相关任务中转移知识来改进学习的新任务，虽然大多数机器学习算法都是为了解决单个任务而设计的，但是促进迁移学习的算法的开发是机器学习社区持续关注的话题。 迁移学习对人类来说很常见，例如，我们可能会发现学习识别苹果可能有助于识别梨，或者学习弹奏电子琴可能有助于学习钢琴。
1.1K40发布于 2020-10-28 - 来自专栏数据科学与人工智能
【机器学习】机器学习算法之旅
在理解了我们需要解决的机器学习问题之后，我们可以思考一下我们需要收集什么数据以及我们可以用什么算法。本文我们会过一遍最流行的机器学习算法，大致了解哪些方法可用，很有帮助。 机器学习领域有很多算法，然后每种算法又有很多延伸，所以对于一个特定问题，如何确定一个正确的算法是很困难的。本文中我想给你们两种方法来归纳在现实中会遇到的算法。 学习方式 根据如何处理经验、环境或者任何我们称之为输入的数据，算法分为不同种类。机器学习和人工智能课本通常先考虑算法可以适应的学习方式。 这里只讨论几个主要的学习风格或学习模型，并且有几个基本的例子。 问题例子是机器人控制，算法例子包括Q-learning以及Temporal difference learning。 当整合数据模拟商业决策时，大多数会用到监督学习和无监督学习的方法。 当下一个热门话题是半监督学习，比如图像分类问题，这中问题中有一个大的数据库，但是只有一小部分图片做了标记。增强学习多半还是用在机器人控制和其他控制系统的开发上。
1K100发布于 2018-02-27 - 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。
1.6K20发布于 2019-11-08
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