- 综合排序
- 最热优先
- 最新优先
- 来自专栏Deep learning进阶路
8-2 图的存储结构
8-2 图的存储结构 1.邻接矩阵（顺序存储结构） 图结构的元素之间虽然具有“多对多”的关系，但是同样可以采用顺序存储，即使用数组有效地存储图。
91030发布于 2019-07-02 - 来自专栏mysql
hhdb数据库介绍(8-2)
单机部署属于管理平台中的功能，在使用前需要先安装好管理平台。安装步骤说明请参照集群部署功能管理平台部署说明。
54110编辑于 2025-03-10 - 来自专栏AI机器学习与深度学习算法
机器学习入门 8-2 scikit-learn中的多项式回归与pipeline
有了多项式数据集，下面的过程就非常简单了，只需调用线性回归模型对添加多项式的数据集进行回归分析即可。 ? ? 之前介绍的在线性回归中使用梯度下降的过程中，如果数据的分布太不均衡，会导致梯度下降搜索的过程非常的慢，此时第二个步骤最好进行一下数据的归一化处理，也就是使用Standardscaler； 最后使用线性回归模型进行回归分析 有了多项式回归，就可以对非线性数据进行拟合，不过这个拟合的过程是有陷阱的，下一小节会介绍这个陷阱具体是什么，从而引出对于机器学习中最为重要的~模型泛化相关的知识。
2K10发布于 2019-12-16 - 来自专栏IT技术圈（CSDN）
浙大版《C语言程序设计（第3版）》题目集 练习8-2 计算两数的和与差
练习8-2 计算两数的和与差 本题要求实现一个计算输入的两数的和与差的简单函数。
1.3K10发布于 2020-09-15 - 来自专栏IT技术圈（CSDN）
浙大版《C语言程序设计（第3版）》题目集 习题8-2 在数组中查找指定元素
习题8-2 在数组中查找指定元素 本题要求实现一个在数组中查找指定元素的简单函数。
1.5K10发布于 2020-09-15 - 来自专栏从零开始的Code生活
LeetCode 1438. 绝对差不超过限制的最长连续子数组(滑动窗口)(双指针)
示例 1： 输入：nums = [8,2,4,7], limit = 4 输出：2 解释：所有子数组如下： [8] 最大绝对差 |8-8| = 0 <= 4. [8,2] 最大绝对差 |8-2| = [8,2,4] 最大绝对差 |8-2| = 6 > 4. [8,2,4,7] 最大绝对差 |8-2| = 6 > 4. [2] 最大绝对差 |2-2| = 0 <= 4. [2,4] 最大绝对差 |
71630编辑于 2022-01-13 - 来自专栏伪架构师
Knative 入门系列8：拓展与展望
又如例 8-2，它也是使用 Node.js 编写的一个函数，它不是一个完整的 Express 应用程序，而仅仅由一个函数组成，不包含任何其他 Node.js 模块。 例 8-2 中的代码使用了function invokers特别支持的编程模型，function invokers 是riff 项目一部分的。 riff 是 Pivotal 的一个开源项目，构建于 Knative 之上，它提供了一些很棒的东西：用于安装 Knative 和管理在其上部署的函数（functions）的 CLI，以及使我们能够编写像例 8-
1.4K20发布于 2019-07-23 - 来自专栏二进制文集
LeetCode 1438. 绝对差不超过限制的最长连续子数组
示例 1： 输入：nums = [8,2,4,7], limit = 4 输出：2 解释：所有子数组如下： [8] 最大绝对差 |8-8| = 0 <= 4. [8,2] 最大绝对差 |8-2| = [8,2,4] 最大绝对差 |8-2| = 6 > 4. [8,2,4,7] 最大绝对差 |8-2| = 6 > 4. [2] 最大绝对差 |2-2| = 0 <= 4. [2,4] 最大绝对差 |
1K10发布于 2021-02-21 - 来自专栏xiaosen
机器学习归一化特征编码
特征缩放 因为对于大多数的机器学习算法和优化算法来说，将特征值缩放到相同区间可以使得获取性能更好的模型。 提升模型精度：如果我们选用的距离度量为欧式距离，如果数据预先没有经过归一化，那么那些绝对值大的features在欧式距离计算的时候起了决定性作用。 10001)=1 S31=(12008-10001)/(16020-10001)=0.333444 S41=(13131-10001)/(16020-10001)=0.52002 S12=(2-2)/(8- 2)=0 S22=(4-2)/(8-2)=0.33 S32=(6-2)/(8-2)=0.6667 S42=(8-2)/(8-2)=1 数据的标准化 和0-1标准化不同，Z-score标准化利用原始数据的均值 但一般的机器学习模型一般都是处理数值型的特征值，因此需要将一些非数值的特殊特征值转为为数值，因为只有数字类型才能进行计算。
1.2K10编辑于 2024-06-15 - 来自专栏互联网数据官iCDO
手把手教你用Excel分析网站流量（实例讲解）
d3：7-26对应8-2，7-29对应8-5，分别出现的谷值峰值原因在SEO日记录表中无记录，暂时无法给出猜测，只能查看具体数据。 ? （还可以通过受访页面数据的付费链接跳出率分析得出是哪个页面最差，对应改进，不细讲，留给读者思考） 6.流量趋势中7-26对应8-2出现了流量谷值，是否是单一页面引起的？ 对比7-26和8-2的流量，我们发现，是因为8-2当天整站的流量全部降低，并非单一页面引起。 ? 那为什么8-2当天会出现整张流量下降的情况呢？ 当我带着这个诡异的现象再次询问网站负责人时，他想了一会儿说：“哎呀，不好意思，我忘记告诉你了，8-2号台风“妮妲”来了，公司放假一天。”哈哈，抓到一个忘记记网站日志的。 老用户流量变化如图：8-2号当天流量断崖下跌，确实是老用户引起的整站流量降低。企业员工的访问量占了自然流量的一大部分啊。 ? 综上所述，提出的猜测我们都已经验证。
2.6K160发布于 2018-03-05 - 来自专栏宫水三叶的刷题日记
从 O(NlogN) 到 O(N) 的优化：「二分滑动窗口」& 「双指针」 ...
示例 1： 输入：nums = [8,2,4,7], limit = 4 输出：2 解释：所有子数组如下： [8] 最大绝对差 |8-8| = 0 <= 4. [8,2] 最大绝对差 |8-2| = [8,2,4] 最大绝对差 |8-2| = 6 > 4. [8,2,4,7] 最大绝对差 |8-2| = 6 > 4. [2] 最大绝对差 |2-2| = 0 <= 4. [2,4] 最大绝对差 |
1.1K20发布于 2021-02-26 - 来自专栏深度应用
[深度学习概念]·深度学习的人脸识别技术发展综述
总共实验了两类模型，参数如表5-1和表5-2所示。 表5-1 CNN模型1 ? 表5-2 CNN模型2 ? 图7-3 不同表情（开口/闭口）生成示意图 7.3 模型及训练方法 文章模型采用的ILSVRC数据集上预训练的VGG-19模型。训练方法是常规梯度下降训练方法。 图8-1 3D重建训练示意图 8.3.1 The asymmetric Euclidean loss 我们在实验中发现，使用Euclidean loss会导致输出3d人脸缺少细节，如图8-2所示。 图8-2 不同loss函数对结果的影响 8.4 实验结果 8.4.1 3D重建结果 MICC数据集包含53个个体的人脸视频和个体的3D模型作为gound truth。 结果如表8-2和图8-3所示。 表8-2 LFW和YTF测试结果 ? ? 图8-3 LFW，YTF和IJB-A测试结果 8.4.3 定性结果 图8-4展示了训练模型生成的3DMM结果。
2.4K20发布于 2019-06-27 - 来自专栏前沿技墅
智能监控利器：时序数据库
时序数据库的模型 表 8-1 显示了在同一个时间、不同维度下 QPS 的变化情况。 表 8-1 时序数据库模型 时序数据库的对比 目前，市面上的时序数据库种类繁多，比较老牌的有 Graphite、RRD Tool 等，后起之秀有InfluxDB、OpenTSDB、Prometheus 表 8-2 对比了目前主流时序数据库的优缺点。 表 8-2 主流时序数据库的优缺点 ———— 本文新作《智能运维：从0搭建大规模分布式AIOps系统》。 同时，帮助运维工程师在一定程度上了解机器学习的常见算法模型，以及如何将它们应用到运维工作中。《智能运维：从0搭建大规模分布式AIOps系统》共分4篇。
1.6K40发布于 2018-08-16 - 来自专栏Python 知识大全
8-用算符（中）
3> 关系运算符的优先级小于算术运算符 例如3+4>8-2 ：先计算3+4，结果为7。再计算8-2，结果为6。最后计算7>6，条件成立，结果为1。因此3+4>8-2的结果为1。
67020发布于 2020-02-13 - 来自专栏Hadoop数据仓库
维度模型数据仓库（十三） —— 退化维度
清单清单（五）- 8-2显示了修改后的定期装载脚本。 b.status_date ; -- 更新时间戳表的last_load字段 UPDATE cdc_time SET last_load = current_load ; COMMIT ; 清单（五）- 8- 2 图（五）- 8-2到图（五）- 8-8显示了对Kettle定时装载的修改。 测试修改后的定期装载 本小节说明如何测试清单（五）- 8-2里的定期装载脚本和对应的Kettle转换。 2015-03-15', 1000, 10) ; COMMIT; 清单（五）- 8-3 现在设置你的系统日期为2015年3月12日，然后再执行清单（五）- 8-
6K21编辑于 2022-12-02 - 来自专栏图形学与OpenGL
实验3 文件操作
二．实验过程： 运行调试第8章编程示例8-2文本显示程序；将其改写为一个随机点名的程序，可以参考以下步骤： (1) 读入指定文本文件的程序，文本文件格式见参考内容； (2) 三．示例代码： 编程示例8-2文本显示程序: #include <iostream> #include <fstream> using namespace std; int main() {
63420发布于 2018-10-09 - 来自专栏图数据库
WeGraphDB: 微信自研超大规模图数据库
---- 大规模图数据库未解难题: 8-2原则的n次方 一直以来，图数据库被大家认为是图辅助分析系统，在开源的世界里更是如此，比如安全打击，大家倾向于用(图查询-展示-剪枝-迭代)等方式来分析诈骗团伙 2.n跳查询会n次方恶化8-2原则，让系统变得极不稳定。 3.依据我经验: 在查询边数达到1w以上时，访问数据和计算的延时都会呈现指数形式上升，系统突发崩溃概率激增。 无法利用SIMD cache miss高: 行算多为pull火山模型，一行数据从source尽力处理到output。数据访问和执行代码本身的cache miss很难降低。
3.2K1090发布于 2021-11-10 - 来自专栏智能大数据分析
关联规则挖掘（一）
定义 8-2 若指定 MinS\in(0,1) 作为刻画支持度是否符合用户期望的阈值，则 MinS 称为最小支持度，并将 MinSptN=MinS\times|T| 称为最小支持数，即 MinSptN T 上的支持度，就是 T 中同时包含 X 和 Y 的事务在 T 中所占的百分比，即： Support (X\Rightarrow Y)=包含X\cap Y的事务数/ |T|\tag{8- 即频繁项集的子集必是频繁项集 定理 8-2 (频繁项集性质2)：如果 X 是非频繁项集，那么它的所有超集都是非频繁项集。即非频繁项集的超集也是非频繁项集。 算法名称源于它使用了关于项集的两个性质，即定理8-1和8-2等先验 (Apriori) 知识。 Apriori算法在具体实现时，将关联规则的挖掘过程分为如下两个基本步骤。 例 8-3 对表8-2所示的交易数据库，其项集 I=\{a,b,c,d,e\} ，设最小支持度 MinS=0.4 ，请找出所有的频繁项目集。
60900编辑于 2025-01-22 - 来自专栏JavaEdge
学习Netty BootStrap的核心知识，成为网络编程高手！
表8-1很多继承自AbstractBootstrap： 2.1 引导客户端 Bootstrap 类负责为客户端和使用无连接协议的应用程序创建 Channel，如图 8-2： 代码清单 8-1 引导了一个使用 channelFuture.cause().printStackTrace(); } } }); 2.2 Channel 和 EventLoopGroup 的兼容性 代码清单 8- 3.1 ServerBootstrap 类 表 8-2 列出了 ServerBootstrap 类的方法： 3.2 引导服务器 表 8-2 中列出一些表 8-1 不存在的方法：childHandler
75560编辑于 2023-05-21 - 来自专栏信数据得永生
《Scikit-Learn与TensorFlow机器学习实用指南》第8章 降维
在图 8-2 中，您可以看到由圆圈表示的 3D 数据集。 ? 图 8-2 一个分布接近于2D子空间的3D数据集 注意到所有训练实例的分布都贴近一个平面：这是高维（3D）空间的较低维（2D）子空间。 简而言之，如果在训练模型之前降低训练集的维数，那训练速度肯定会加快，但并不总是会得出更好的训练效果；这一切都取决于数据集。 在图 8-2 中，前两个 PC 用平面中的正交箭头表示，第三个 PC 与上述 PC 形成的平面正交（指向上或下）。 一种解决方案是训练一个监督回归模型，将预计实例作为训练集，并将原始实例作为训练目标。 在数据集上训练一个随机森林分类器，并记录了花费多长时间，然后在测试集上评估模型。接下来，使用 PCA 降低数据集的维度，设置方差解释率为 95%。
2.3K70发布于 2018-05-16
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