- 博客(17)
- 收藏
- 关注
RSS订阅原创 回溯算法 | 单词搜索(Python)
单词搜索给定一个二维网格和一个单词，找出该单词是否存在于网格中。单词必须按照字母顺序，通过相邻的单元格内的字母构成，其中“相邻”单元格是那些水平相邻或垂直相邻的单元格。同一个单元格内的字母不允许被重复使用。示例:board =[[‘A’,‘B’,‘C’,‘E’],[‘S’,‘F’,‘C’,‘S’],[‘A’,‘D’,‘E’,‘E’]]给定 word = “ABCCED”, 返回 true给定 word = “SEE”, 返回 true给定 word = “ABCB”, 返回 fals
2020-12-06 16:43:57
478
原创 递归 | 第k个语法符号(Python)
在第一行我们写上一个 0。接下来的每一行，将前一行中的0替换为01，1替换为10。给定行数 N 和序数 K，返回第 N 行中第 K个字符。（K从1开始）例子:输入: N = 1, K = 1输出: 0输入: N = 2, K = 1输出: 0输入: N = 2, K = 2输出: 1输入: N = 4, K = 5输出: 1解释:第一行: 0第二行: 01第三行: 0110第四行: 01101001注意：N 的范围 [1, 30].K 的范围 [1, 2^(N-
2020-12-01 16:46:23
379
原创 插入区间(Python) | 排序
给出一个无重叠的 ，按照区间起始端点排序的区间列表。在列表中插入一个新的区间，你需要确保列表中的区间仍然有序且不重叠（如果有必要的话，可以合并区间）。示例 1：输入：intervals = [[1,3],[6,9]], newInterval = [2,5]输出：[[1,5],[6,9]]示例 2：输入：intervals = [[1,2],[3,5],[6,7],[8,10],[12,16]], newInterval = [4,8]输出：[[1,2],[3,10],[12,16]]解释：
2020-11-22 00:37:48
970
原创 活字印刷Python |全排列&回溯算法
活字印刷你有一套活字字模 tiles，其中每个字模上都刻有一个字母 tiles[i]。返回你可以印出的非空字母序列的数目。注意：本题中，每个活字字模只能使用一次。示例 1：输入：“AAB”输出：8解释：可能的序列为 “A”, “B”, “AA”, “AB”, “BA”, “AAB”, “ABA”, “BAA”。示例 2：输入：“AAABBC”输出：188#解法一class Solution: def numTilePossibilities(self, tiles: str)
2020-11-15 01:07:59
276
原创 做菜顺序 (Python)
做菜顺序一个厨师收集了他 n 道菜的满意程度 satisfaction ，这个厨师做出每道菜的时间都是 1 单位时间。一道菜的 「喜爱时间」系数定义为烹饪这道菜以及之前每道菜所花费的时间乘以这道菜的满意程度，也就是 time[i]*satisfaction[i] 。请你返回做完所有菜 「喜爱时间」总和的最大值为多少。你可以按 任意 顺序安排做菜的顺序，你也可以选择放弃做某些菜来获得更大的总和。示例 1：输入：satisfaction = [-1,-8,0,5,-9]输出：14解释：去掉第二道
2020-11-07 22:05:48
324
原创 二叉搜索树与双向链表(Python)
链表定义: 链表是一种递归的数据结构，它或者为空（null），或者是指向一个结点（node）的引用，该节点还有一个元素和一个指向另一条链表的引用。链表是一种线性表，但它不像顺序表那样连续存储元素，而是在每一个节点里存到下一个节点的指针(Pointer)。由于不用连续存储，插入的时间复杂度为O(1)，比顺序表快得多；但是查找一个节点或者访问特定编号的节点的时间复杂度均为O(n)，而顺序表相应的时间复杂度分别是O(logn)和O(1)。二叉搜索树与双向链表输入一棵二叉搜索树，将该二叉搜索树转换成一个排序的
2020-10-31 20:06:44
318
原创 机器学习基础知识1
机器学习基础问题1.为什么要数据归一化?答: 使数据集的值都在0~1之间, 方便数据处理, 同时提升数据精度.2.交叉验证训练集与测试集是从一整个样本数据集中按需要的比例进行划分,本质上可以多划分几次得到同一比例不同内容的训练集和测试集以得到均值得到更好的模型, 此方法即为交叉验证.为什么用训练集进行模型训练?训练集的数据量比测试集的大, 因此能保证模型的准确性, 减少了个别极端值等情况对模型的影响. 之后用测试集来验证模型的准确性....
2020-10-24 20:29:46
239
原创 动态规划示例 | 股票的最大利润
动态规划如果一类活动过程可以分为若干个互相联系的阶段，在每一个阶段都需作出决策(采取措施)，一个阶段的决策确定以后，常常影响到下一个阶段的决策，从而就完全确定了一个过程的活动路线，则称它为多阶段决策问题。多阶段决策问题中，各个阶段采取的 决策，一般来说是与时间有关的，决策依赖于当前状态，又随即引起状态的转移，一个决策序列就是在变化的状态中产生出来的，故有“动态”的含义，称这种解决多阶段决策最优化问题的方法为动态规划方法。 题目: 股票的最大利润假设把某股票的价格按照时间先后顺序存储在数组中，请问买卖
2020-10-17 18:48:55
530
原创 网页爬取只获得单个标签的信息
网页源代码为:<dl> <dd><a href="/789654.html">第一章</a></dd><dd><a href="/234567.html">第二章</a></dd><dd><a href="/123456.html">第三章</a></dd></dl>爬取代码为:def parseLink(html): d
2020-09-23 01:31:11
329
原创 情感机器人对话引擎
情感机器人的对话引擎由"全局状态管理器"和"对话规则π"组成. 对话规则π又分为高级策略管理技能, 进行话题切换的控制等, 低级策略管理技术.情感对话中最困难的部分是情感计算, 情感公式如下:S = (Qc, C, eQ, eR)Qc- 上下文状态C- 上下文eQ- 用户情感向量eR- 回复的情感向量.上下文query 理解(Qc, C)包括命名实体识别,一般使用自然语言理解(NLU); 共指解析, 将多轮对话中的共指代词解析出来; 句子完整性, 判断句子是否完整.用户理解(eQ)用户理
2020-09-19 19:48:56
295
原创 统计作战单位数
n 名士兵站成一排。每个士兵都有一个 独一无二 的评分 rating 。每 3 个士兵可以组成一个作战单位，分组规则如下：从队伍中选出下标分别为 i、j、k 的 3 名士兵，他们的评分分别为 rating[i]、rating[j]、rating[k]作战单位需满足： rating[i] < rating[j] < rating[k] 或者 rating[i] > rating[j] > rating[k] ，其中 0 <= i < j < k < n
2020-09-12 20:31:18
223
原创 求2的幂
给定一个整数，编写一个函数来判断它是否是 2 的幂次方。示例 1:输入: 1输出: true解释: 20 = 1示例 2:输入: 16输出: true解释: 24 = 16示例 3:输入: 218输出: false解法一 导包import mathdef func(n): if n<1: return False if math.log2(n) == math.ceil(math.log2(n)): //如果计算得到的log2(n)是正整数,则它是2的幂, c
2020-08-29 19:04:08
341
原创 最长不含重复字符的子字符串
请从字符串中找出一个最长的不包含重复字符的子字符串，计算该最长子字符串的长度。示例1:输入: “abcabcbb”输出: 3解释: 因为无重复字符的最长子串是 “abc”，所以其长度为 3。示例 2:输入: “bbbbb”输出: 1解释: 因为无重复字符的最长子串是 “b”，所以其长度为 1。示例 3:输入: “pwwkew”输出: 3解释: 因为无重复字符的最长子串是"wke"，所以其长度为 3。请注意，你的答案必须是 子串 的长度，"pwke"是一个子序列，不是子串。def
2020-08-22 19:53:28
237
原创 信息的度量
比如写论文时搜索资料，从一个大方向逐步细化为明确的研究再到具体的原理、数学公式等，这个过程就是不确定性的降低。一开始需要阅览大量相关论文，明确后就变成了对某个具体的知识内容的精确搜索，信息量也在降低。因此“信息量就等于不确定性的多少。”对已知的的信息进行排序分组能有效降低不确定性，即信息量。用H表示信息熵，X表示任一随机变量，则H(X)=-∑x∈X P(x) log2 P(x)...
2020-08-14 01:14:23
229
原创 行列交换
使用zip()函数.var1={1,2}var2={a,b}res=zip(var1,var2}for i in res: print(i)[(1,a),(2,b)]zip(*iterables)函数创建一个聚合来自每个可迭代对象的迭代器, 第i个元组包含来自每个参数序列或可迭代对象的第i个元素.a = (1,2,3)b = (4,5,6)res = zip(a,b)print(list(res))[(1, 4), (2, 5), (3, 6)]zip()函数将各个元
2020-08-14 00:41:50
433
原创 隐含马尔可夫模型
随机过程:是随机变量的时间序列s1,s2,s3,…,st,…在任意时刻t,对应的状态st是随机的;任意状态st的取值都可能与周围其他的状态相关.马尔可夫模型将每个状态的概率分布,即其相关的状态简化为 st 仅与其前一个状态 st-1 相关,即P(st|s1,s2,s3,...,st-1)=P(st|st-1) (公式1)马尔可夫链是如图:如图,A转移到E的次数记为#(A,E),即从A转移到E的概率为#(A,E)/#(A)=0.4隐含马尔可夫模型中,任一时刻的t的状态st是不可见的,
2020-08-13 12:43:03
160
空空如也
空空如也
TA创建的收藏夹 TA关注的收藏夹
TA关注的人