NOIP夏令营day4课程总结

今天换了一位新的老师,是长沙雅礼的朱全民老师,估计网易博友ydc就是他的得意门生吧!NOIP夏令营day4课程总结 - 哭,等谁回眸 - 哭,等谁回眸今天主要就讲了动态规划(DP),讲了两类 DP,线形动态规划和集合动态规划(背包)。
先说一下基本概念吧。

阶段:把问题分成几个相互联系的有顺序的几个环节,这些环节即称为阶段。
状态:某一阶段的出发位置称为状态。通常一个阶段包含若干状态。
决策:从某阶段的一个状态演变到下一个阶段某状态的选择。
策略:由开始到终点的全过程中,由每段决策组成的决策序列称为全过程策略,简称策略。
状态转移方程:前一阶段的终点就是后一阶段的起点,前一阶段的决策选择导出了后一阶段的状态,这种关系描述了由k阶段到k+1阶段状态的演变规律,称为状态转移方程。
?目标函数与最优化概念:目标函数是衡量多阶段决策过程优劣的准则。最优化概念是在一定条件下找到一个途径,经过按题目具体性质所确定的运算以后,使全过程的总效益达到最优

动规有两个重要的性质:
①最优化原理: 一个最优化策略具有这样的性质,不论过去状 态和决策如何,对前面的决策所形成的状态而 言,余下的诸决策必须构成最优策略。 
简而言之,一个最优化策略的子策略总是最优 的。
最优化原理是动态规划的基础,任何问题,如 果失去了最优化原理的支持,就不可能用动态 规划方法计算。
②无后效性: 过去的步骤只能通过当前状态影响未来的发展 ,当前的状态是历史的总结 。这条特征说明动 态规划只适用于解决当前决策与过去状态无关 的问题。状态,出现在策略任何一个位置,它 的地位相同,都可实施同样策略,这就是无后 效性的内涵。 
举例: 最短路(不带负权边,带负权边)。

然后是动规的解题步骤:
①划分阶段:注意阶段一定要是有序的或者是可 排序的,否则问题就无法求解。
②选择状态:状态的选择要满足无后效性。
③确定决策:决策决定着状态的转移,状态转移 就是根据上一阶段的状态和决策来导出本阶段 的状态。
④写出状态转移方程(包括边界条件和取值范围 ):根据问题的性质(求最大 / 最小),用数学 方程描述状态转移的方法和过程。

今天主要是这些概念的问题,也学习了怎样建立状态转移方程,就是这样。

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)**:由两个网络组成,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