- 综合排序
- 最热优先
- 最新优先
- 来自专栏AI那点小事
算法提高 9-3摩尔斯电码
问题描述 摩尔斯电码破译。类似于乔林教材第213页的例6.5，要求输入摩尔斯码，返回英文。请不要使用”zylib.h”，只能使用标准库函数。用’ * ‘表示’ . ‘，中间空格用’ | ‘表示，只转化字符表。
48110发布于 2020-04-20 - 来自专栏mysql
hhdb数据库介绍(9-3)
为保证垂直拆分场景下，出现数据节点不可用状态时，与之不相关的不同逻辑库之间的业务场景不受影响，计算节点在启动时，对所有逻辑库的可用状态做了特殊判断处理，说明如下：
41210编辑于 2024-11-28 - 来自专栏yuyy.info技术专栏
第四周_算法提高_9-3摩尔斯电码
本文最后更新于 1163 天前，其中的信息可能已经有所发展或是发生改变。 #include<iostream> #include<cstring> using namespace std; void print(char ch1[4]){ char ch2[26][4]; ch2[0][0]='*';ch2[0][1]='-';ch2[0][2]='a';ch2[0][3]='a'; ch2[1][0]='-';ch2[1][1]='*';ch2[1][2]='*';ch2[1][3]='*'; c
26610编辑于 2022-06-28 - 来自专栏AI机器学习与深度学习算法
机器学习入门 9-3 逻辑回归损失函数的梯度
本小节主要推导逻辑回归损失函数的梯度，通过与线性回归模型的梯度进行比较找出逻辑回归损失函数梯度的向量化表示。 ▲逻辑回归与线性回归梯度比较 对于线性回归来说预测值是(Xb(i) * θ)，而对于逻辑回归来说是Sigmoid(Xb(i) * θ)。 当然对于线性回归来说，由于我们使用的损失函数是MSE，MSE中有一个平方项，所以计算线性回归梯度的结果多了一个2倍，而逻辑回归则没有这个2倍。 ▲线性回归梯度的向量化表示 对于逻辑回归来说，由于梯度向量部分的元素整体和上面线性回归的梯度是一样的，只不过是对y_hat的求法不同而已。 类似的同样可以对逻辑回归的梯度进行向量化，我们只需要将在线性回归中梯度向量式子中的(Xb(i) * θ)外面套上一个Sigmoid函数就可以了，当然前面的系数是1 / m，没有线性回归中的2倍。
2.3K21发布于 2020-02-26 - 来自专栏历史专栏
【愚公系列】2023年08月 3D数学-归一化函数
4 9 确定样本数据的最大值和最小值： max = 9 min = 3 对于每个数据点x，将其归一化为(x-min)/(max-min)的值： 数据编号1的归一化结果为(3-3)/(9- 3)=0 数据编号2的归一化结果为(5-3)/(9-3)=0.33 数据编号3的归一化结果为(7-3)/(9-3)=0.66 数据编号4的归一化结果为(9-3)/(9-3)=1 得到的结果在 二、归一化函数封装 1.归一化方法 常见的归一化方法包括： Min-Max归一化：将数据线性映射到[0,1]区间内，公式为： X_{norm} = \frac{X-X_{min}}{X_{max}-X Z-Score归一化：将数据映射到均值为0，标准差为1的正态分布中，公式为： X_{norm} = \frac{X-\mu}{\sigma} Decimal Scaling归一化：通过移动小数点的位置将数据线性映射到
31510编辑于 2025-05-28 - 来自专栏开心的学习之路
线性结构------线性表（一）
线性表的相关概念： ------线性表（Linear List）由有限个类型相同的数据元素组成，除了第一个元素和最后一个元素外，其他元素都有唯一的前驱元素和唯一的后继元素。 ------表中元素个数成为线性表的长度。 ------线性表没有元素时成为空表。 ------表起始位置成为表头，结束位置成为表尾。 基本操作集合： （1）void InitList(List *L):初始化一个空线性表表 （2）DataType FindByNum(int k, List L):查找线性表中第K位的元素，返回该元素 e):在线性表中第i个位置上插入元素e （5）void Delete(List L, int i):删除线性表中第i个位置上的元素 （6）int Lengh(List L):返回线性表长度 （7）void PrintList(List L):打印线性表 线性表的实现： 一、顺序实现 #define MAXSIZE 20 typedef int DataType; typedef struct {
61760发布于 2019-02-14 - 来自专栏学习笔记持续记录中...
线性结构和非线性结构
数据结构包括线性结构和非线性结构： 线性结构 1）特点是数据元素之间存在一对一的线性关系 2）线性结构有两种不同的存储结构，即顺序存储结构和链式存储结构。 顺序存储的线性表称为顺序表，顺序表中的存储元素是连续的 3）链式存储的线性表称为链表，链表中的存储元素不一定是连续的，元素节点中存放数据元素以及相邻元素的地址信息 4）线性结构常见的有：数组、队列、 链表和栈 非线性结构 非线性结构包括：二维数组、多维数组、广义表、树结构、图结构
1.1K20发布于 2020-03-18 - 来自专栏小小程序员——DATA
线性回归 numpy实现线性回归
手写线性回归 使用numpy随机生成数据 import numpy as np import matplotlib.pyplot as plt # 生成模拟数据 np.random.seed(42) # 可视化数据 plt.scatter(X, y) plt.xlabel('X') plt.ylabel('y') plt.title('Generated Data') plt.show() 定义线性回归参数并实现梯度下降 对于线性拟合，其假设函数为： h_θ(x)=θ_1x+θ_0 这其中的 θ 是假设函数当中的参数。 ) plt.ylabel('y') plt.legend() plt.title('Linear Regression using Gradient Descent') plt.show() 实现多元线性回归 多元线性回归的梯度下降算法： θ_j≔θ_j−α\frac{∂J(θ)}{∂θ_j} 对 \frac{∂J(θ)}{∂θ_j} 进行等价变形： θ_j≔θ_j−α\frac{1}{m}∑_{i=1}^
1.1K10编辑于 2023-12-02 - 来自专栏又见苍岚
线性模型 -1- 线性回归
学习华校专老师的笔记内容，记录线性模型相关知识。 线性模型( linear model ) 的形式为: f(\overrightarrow{\mathbf{x}})=\overrightarrow{\mathbf{w}} \cdot \overrightarrow 很多功能强大的非线性模型(nolinear model) 可以在线性模型的基础上通过引入层级结构或者非线性映射得到。 线性回归 问题定义 给定数据集 \mathbb{D}=\left\{\left(\overrightarrow{\mathbf{x}}_{1}, \tilde{y}_{1}\right),\left 最终学得的多元线性回归模型为： image.png 矩阵非满秩 当 \mathbf{X}^{T} \mathbf{X} 不是满秩矩阵。此时存在多个解析解，他们都能使得均方误差最小化。
1.1K20编辑于 2022-08-06 - 来自专栏开心的学习之路
线性结构------线性表（二）
如果要对链表进行插入删除操作，用顺序结构需要找到目标位置然后移动大量元素，复杂度为O（n），此时就需要考虑线性表的链式存储结构。 链式线性表由n个结点通过指针域连接而成。
45410发布于 2019-02-14 - 来自专栏DeepHub IMBA
线性回归，核技巧和线性核
在这篇文章中，我想展示一个有趣的结果：线性回归与无正则化的线性核ridge回归是等 价的。 这里实际上涉及到很多概念和技术，所以我们将逐一介绍，最后用它们来解释这个说法。 首先我们回顾经典的线性回归。 线性回归 经典的-普通最小二乘或OLS-线性回归是以下问题: Y是一个长度为n的向量，由线性模型的目标值组成 β是一个长度为m的向量:这是模型必须“学习”的未知数。 X是形状为n行m列的数据矩阵。 这就是核函数的诀窍:当计算解'时，注意到X '与其转置的乘积出现了，它实际上是所有点积的矩阵，它被称为核矩阵 线性核化和线性回归 最后，让我们看看这个陈述:在线性回归中使用线性核是无用的，因为它等同于标准线性回归 线性核通常用于支持向量机的上下文中，但我想知道它在线性回归中的表现。 最后，我证明了线性回归背景下的线性核实际上是无用的，它对应于简单的线性回归。 作者：Yoann Mocquin
55130编辑于 2023-11-10 - 来自专栏Vamei实验室
线性代数01 线性的大脑
后来读了更多的线性代数的内容，才发现，线性代数远不是一套奇奇怪怪的规定。它的内在逻辑很明确。只可惜大学时的教材，把最重要的一些核心概念，比如线性系统，放在了最后。 总结这些惨痛的经历，再加上最近的心得，我准备写一些线性代数的相关文章。 这一系列线性代数文章有三个目的： 概念直观化 为“数据科学”系列文章做准备，没有线性代数基础，没法深入统计和机器学习。 线性的思维方式是如此的普遍，以致于我们要多想一下，才能想出非线性的例子。下面是一个非线性的情况：超市更改积分系统，积分超过20的话，将获得双倍积分。 更重要在于，线性系统和矩阵是互通的。矩阵表示的是一个线性系统。一个线性系统也总可以表示一个矩阵(证明从略)。 绕了半天，矩阵 = 线性系统。 总结 线性代数的核心是线性系统的概念。 线性系统与矩阵的等同性，让线性代数后面的内容，转入到对矩阵的研究中。但核心要牢记。 线性系统的概念在生活中非常常见。人的思维很多时候也是线性的。思考生活中线性和非线性的例子。
1.1K50发布于 2018-01-18 - 来自专栏专知
线性回归：简单线性回归详解
【导读】本文是一篇专门介绍线性回归的技术文章，讨论了机器学习中线性回归的技术细节。线性回归核心思想是获得最能够拟合数据的直线。 文中将线性回归的两种类型：一元线性回归和多元线性回归，本文主要介绍了一元线性回归的技术细节：误差最小化、标准方程系数、使用梯度下降进行优化、残差分析、模型评估等。在文末给出了相关的GitHub地址。 Linear Regression — Detailed View 详细解释线性回归 线性回归用于发现目标与一个或多个预测变量之间的线性关系。 有两种类型的线性回归 – 一元线性回归（Simple）和多元线性回归（Multiple）。 一元线性回归 ---- 一元线性回归对于寻找两个连续变量之间的关系很有用。 然后这个线性方程可以用于任何新的数据。也就是说，如果我们将学习时间作为输入，我们的模型应该以最小误差预测它们的分数。
2.4K80发布于 2018-04-08 - 来自专栏Vamei实验室
线性代数01 线性的大脑
后来读了更多的线性代数的内容，才发现，线性代数远不是一套奇奇怪怪的规定。它的内在逻辑很明确。只可惜大学时的教材，把最重要的一些核心概念，比如线性系统，放在了最后。 总结这些惨痛的经历，再加上最近的心得，我准备写一些线性代数的相关文章。 这一系列线性代数文章有三个目的： 概念直观化 为“数据科学”系列文章做准备，没有线性代数基础，没法深入统计和机器学习。 线性的思维方式是如此的普遍，以致于我们要多想一下，才能想出非线性的例子。下面是一个非线性的情况：超市更改积分系统，积分超过20的话，将获得双倍积分。 更重要在于，线性系统和矩阵是互通的。矩阵表示的是一个线性系统。一个线性系统也总可以表示一个矩阵(证明从略)。 绕了半天，矩阵 = 线性系统。 总结 线性代数的核心是线性系统的概念。 线性系统与矩阵的等同性，让线性代数后面的内容，转入到对矩阵的研究中。但核心要牢记。 线性系统的概念在生活中非常常见。人的思维很多时候也是线性的。思考生活中线性和非线性的例子。
73530发布于 2018-09-25 - 来自专栏codechild
线性dp
f[i][j]表示从开始的位置到i，j位置的路径之和的最大值。 因为f[i][j]是要求的那个，所以我们要求出它的状态方程 f[i][j]=max(f[i-1][j-1]+a[i][j],f[i-1][j]+a[i][j]) ok，现在开始我们做这道题
44240编辑于 2023-05-30 - 来自专栏机器学习/数据可视化
线性模型
西瓜书的第三章，主要讲解的是线性模型相关知识 基本形式 ；线性模型通过学习到的一个属性的线性组合来表示： f(x)=w_1x_1+w_2x_2+…+w_dx_d+b 一般是写成向量形式 f(x)= ) 多元线性回归 个属性 f( x)=w^Tx_i+b 将，有 \hat w^*=arg\min_{\hat w}(y-X\hat w)^T(y-X\hat w) ? 解决这个问题，引入正则化 对数线性回归 lny=w^Tx+b 即表示为： y=e{wTx+b} ? 一般情况下，g(.)是单调可微函数，满足 y=g{-1}(wTx+b) 这样的模型称之为广义线性模型，其中g称之为联系函数；对数线性回归是广义线性模型在g=ln()时候的特例 对数几率回归 。 此时对应的模型称之为对数几率回归 线性判别分析LDA 思想 线性判别分析Linear Discriminant Analysis最早在二分类问题上有Fisher提出来，因此也称之为Fisher判别分析.
74810发布于 2021-03-02 - 来自专栏iOSDevLog
线性回归
线性模型、线性回归与广义线性模型 逻辑回归 工程应用经验 数据案例讲解 1. 线性模型、线性回归与广义线性回归 1.1 线性模型 image 线性模型(linear model)试图学得一个通过属性的线性组合来进行 预测的函数: image 向量形式: image 简单 对于样本 image 如果我们希望用线性的映射关系去逼近y值 可以得到线性回归模型 image 有时候关系不一定是线性的 如何逼近y 的衍生物? 比如令 image 则得到对数线性回归 (log-linear regression) 实际是在用 image 逼近y image 要点总结 线性回归 线性映射关系 yˆ=θTX 损失函数 MSE:评估与标准答案之间的差距 梯度下降 沿着损失函数梯度方向逐步修正参数 学习率影响 模型状态 欠拟合 过拟合 广义线性回归 对线性映射的结果进行数学变换,去逼近y值 指数(exp)或者对数
1.1K30发布于 2018-06-07 - 来自专栏杂七杂八
线性回归
线性模型形式简单、易于建模，但却蕴含着机器学习中一些重要的基本思想。许多功能更为强大的非线性模型都可在线性模型的基础上引入层级结构或高维映射得到。 ;xd),其中xi是x是第i个属性上的取值，线性模型试图学得一个通过属性的线性组合来进行预测的函数，即f(x)=w1x1+w2x2+...wdxd+b，一般用向量形式写成f(x)=wTx+b,w和b学得之后模型就得以确定 线性回归 下面我们用一个预测房价的例子来说明。 X_fit = np.arange(X.min(), X.max(), 0.01)[: , np.newaxis] Linear_model = Regression_model.fit(X, y) #拟合线性 y_line_fit = Linear_model.predict(X_fit) linear_r2 = r2_score(y, Linear_model.predict(X)) #二次模型，先二次变换再线性回归
1.6K70发布于 2018-04-27 - 来自专栏IT可乐
线性查找
线性查找也叫顺序查找，这是最基本的一种查找方法，从给定的值中进行搜索，从一端开始逐一检查每个元素，直到找到所需元素的过程。 如果元素个数为 N，那么线性查找的平均次数为： N/2 下面通过一个例子，演示线性查找： import java.util.HashSet; import java.util.Iterator; import
62070发布于 2018-01-04 - 来自专栏大数据学习笔记
线性回归
2、线性拟合 #! learning_rate = 0.01 training_epochs = 100 # 初始化线性模拟数据 x_train = np.linspace(-1, 1, 101) y_train = # 定义成本函数 y_model = model(X, w) #tf.square()是对每一个元素求平方 cost = tf.square(Y - y_model) # 有了线性模型、成本函数和数据
67810发布于 2019-07-01
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