1、数据结构绪论

参考:《大话数据结构》程杰

1.1、基本概念

这里写图片描述

程序设计 = 数据结构 + 算法

数据:描述客观事物的符号,是计算机中可以操作的对象,是能被计算机识别,并输入给计算机处理的符号集合。具备条件:(1)、可输入到计算机;(2)、能被计算机程序处理

数据元素:组成数据的、有一定意义的基本单位,在计算机中通常作为整体处理,也称为记录。

数据项:一个数据元素可由若干个数据项组成,数据项是数据不可分割的最小单位。数据元素是数据结构中建立数据模型的着眼点。

数据对象:性质相同的数据元素的集合,是数据的子集

数据结构:不同数据元素之间是不独立的,存在特定的关系,称为结构。数据结构是相互之间存在一种或多种特定关系的数据元素的集合。数据结构分为:逻辑结构与物理结构。

1.2、逻辑结构与物理结构

这里写图片描述

1.2.1、逻辑结构

逻辑结构是数据对象中数据元素之间的相互关系,逻辑结构分为四种:

1、集合结构:集合结构中的数据元素除了同属一个集合外,没有其他关系。各个数据元素是平等的,共同属性是“同属于一个集合”。

这里写图片描述
2、线性结构:线性结构中的数据元素是一对一的关系
这里写图片描述

3、树形结构:树形结构中数据元素之间存在一对多的层次关系

这里写图片描述

4、图形结构:图形结构元素是多对多关系

这里写图片描述

1.2.2、物理结构

物理结构:数据的逻辑结构在计算机中的存储形式,数据的存储结构应正确反映数据元素之间的逻辑关系。数据的存储结构有两种:顺序存储和链式存储。

1、顺序存储结构:把数据元素存放在地址连续的存储单元里,其数据间的逻辑关系和物理关系是一致的。

这里写图片描述

2、链式存储结构:把数据元素存放在任意的存储单元里,这组存储单元可以是连续的,也可以是不连续的。数据元素的存储关系并不能反映其逻辑关系,因此需要用一个指针存放数据元素的地址,可以找到相关数据的位置。链式存储数据存在哪里不重要,只要有一个指针存放的相应地址找到就行。

这里写图片描述

逻辑结构是面向问题的,物理结构是面向计算机的,基本的目标:将数据及其逻辑关系存储到计算机的内存中。

1.3、抽象数据类型

数据类型:一组性质相同的值的集合以及定义在此集合上的一些操作的总称。

数据类型按照值的不同进行划分,在高级语言中,每个变量、常量和表达式都有各自的取值范围。

在C语言中,按照取值的不同,数据类型可以分为两类

(1)原子类型:不可以再分解的基本类型:包括整型、实型、字符型

(2)结构类型:由若干个类型组合而成,是可以再分解的,整型数组由若干整型数据组成

抽象数据类型(Abstract Data Type,ADT)指一个数学模型及定义在该模型上的一组操作。抽象数据类型的定义仅取决于一组逻辑特征,与计算机内如何表示和实现无关。抽象的意义在于数据类型的数字抽象特征。

抽象数据类型体现了程序设计中问题分解、抽象和信息隐藏的特性。把实际生活中的问题分解为多个规模小且容易处理的问题,然后建立一个计算机能处理的数据模型。

描述抽象数据类型的标准格式:
这里写图片描述

深度学习是机器学习的一个子领域,它基于人工神经网络的研究,特别是利用多层次的神经网络来进行学习和模式识别。深度学习模型能够学习数据的高层次特征,这些特征对于图像和语音识别、自然语言处理、医学图像分析等应用至关重要。以下是深度学习的一些关键概念和组成部分: 1. **神经网络(Neural Networks)**:深度学习的基础是人工神经网络,它是由多个层组成的网络结构,包括输入层、隐藏层和输出层。每个层由多个神经元组成,神经元之间通过权重连接。 2. **前馈神经网络(Feedforward Neural Networks)**:这是最常见的神经网络类型,信息从输入层流向隐藏层,最终到达输出层。 3. **卷积神经网络(Convolutional Neural Networks, CNNs)**:这种网络特别适合处理具有网格结构的数据,如图像。它们使用卷积层来提取图像的特征。 4. **循环神经网络(Recurrent Neural Networks, RNNs)**:这种网络能够处理序列数据,如时间序列或自然语言,因为它们具有记忆功能,能够捕捉数据中的时间依赖性。 5. **长短期记忆网络(Long Short-Term Memory, LSTM)**:LSTM 是一种特殊的 RNN,它能够学习长期依赖关系,非常适合复杂的序列预测任务。 6. **生成对抗网络(Generative Adversarial Networks, GANs)**:由个网络组成,一个生成器和一个判别器,它们相互竞争,生成器生成数据,判别器评估数据的真实性。 7. **深度学习框架**:如 TensorFlow、Keras、PyTorch 等,这些框架提供了构建、训练和部署深度学习模型的工具和库。 8. **激活函数(Activation Functions)**:如 ReLU、Sigmoid、Tanh 等,它们在神经网络中用于添加非线性,使得网络能够学习复杂的函数。 9. **损失函数(Loss Functions)**:用于评估模型的预测与真实值之间的差异,常见的损失函数包括均方误差(MSE)、交叉熵(Cross-Entropy)等。 10. **优化算法(Optimization Algorithms)**:如梯度下降(Gradient Descent)、随机梯度下降(SGD)、Adam 等,用于更新网络权重,以最小化损失函数。 11. **正则化(Regularization)**:技术如 Dropout、L1/L2 正则化等,用于防止模型过拟合。 12. **迁移学习(Transfer Learning)**:利用在一个任务上训练好的模型来提高另一个相关任务的性能。 深度学习在许多领域都取得了显著的成就,但它也面临着一些挑战,如对大量数据的依赖、模型的解释性差、计算资源消耗大等。研究人员正在不断探索新的方法来解决这些问题。
评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值