一、numpy方面
1. 广播机制
使用ufunc对两个数组进行运算时，如果数组的形状不相同，就会进行下广播处理。简而言之，就是向两个数组每一维度上的最大值靠齐。（节省资源，计算方便）
np.arange(start,stop,step)（等差数组）np.ones(N)（全一数组）Np.sort(array,axis=0)（排序）np.zeros(N)（全0数组）np.array([])（生成数组）np.linspace()(a,b,10)(从a到b九等分)np.empty((2,3), np.int)（创建2*3的整形型空矩阵，只分配内存）np.ogrid(:5,:5)（生成用于广播的数组，列行）
2. 常用函数
随机数：from numpy import random as nr nr.rand（m,n）（0-1随机）、randint(l,h,(m,n))（规定范围内随机整数）、uniform（均匀分布）、normal（生态分布的随机）、shufftle（随机打乱顺序）、poisson（泊松分布）；sum(x,axis=0/1)（求和列/行）、average（加权平均）、var（方差(x-mean)2/n）、mean（期望）、std（标准差）、product（连乘积）；min（最小值）、max、ptp（极差）、argmin（最小值下标）、mininum（二元最小值）、maxnum（二元最大值）、sort（数组排序）、argsort（数组排序下标）、percentile（分位数）（第p个百分位数是这样一个值，它使得至少有p%的数据项小于或等于这个值，且至少有(100-p)%的数据项大于或等于这个值，np.percentile(a,52))、median（中位数）。
二、Novikoff定理
1. 感知机
感知机：感知机是二分类的线性分类模型，其输入为实例的特征向量，输出为实例的类别，取+1或-1两种。感知机旨在求出将训练数据集进行线性划分的分类超平面，引入了基于误分类的损失函数，再对损失函数进行极小化，从而求出感知机模型。
2. 感知机模型
3. 超平面
4. 范数
[L0范数：向量中非0元素的个数；L1范数：向量中各个元素绝对值之和
L0范数和L1范数可以实现稀疏，L1因比L0更好的优化求解特性而被广泛使用；L2范数是向量个元素的平方和然后求平均根；可以实现对模拟空间的限制，从而避免过拟合，提升模型的泛化能力。]
5. 朴素贝叶斯分类器
6. Novikoff定理描述与证明
三、搜索算法
1. 分类
A.盲目搜索：深度优先（回溯），广度优先（FIFO）
B.启发式搜索：分支限界法，博弈树搜索，最佳优先算法，A*搜索
2. 启发式搜索
为减小搜索范围，而需要利用某些已知的、有关具体问题领域的特性信息（启发信息）特点： A.大多数是深度优先搜索算法的改进版；B.在有多条路径可走，会给出该走哪条路径的建议；C.利用问题中的已知条件，尽快找到问题的解；D.可采用估值的方法进行搜索指导；E.状态空间小，搜索时间短并且效率高、容易控制，使问题易于得到解。
3. 八数码问题（深度优先算法）
在宽度优先搜索过程中，需要遍历目标节点所在层之前每层的所有节点，即需要遍历所有的分支。而深度优先搜索过程中，则不需要遍历这么多的节点。所以，在八数码的求解过程中，深度优先搜索的效率明显比宽度优先搜索的效率要高。
4. 背包问题（启发式搜索方法）
A.定义解空间 x={(0,0,0),..(1,1,1)} B.决定解空间结构(画空间树) C.用深度优先方式搜索解空间，用剪枝函数避免无效搜索（S是死节点，因为背包的容量超出，此时剪枝）D.得最优解为（0,1,1）最优值为50 剪枝技术：基本思想：在当前扩展结点的右子树（或左子树）的价值上界，如果满足一定约束条件，则可以裁剪掉右子树（或左子树）。常用剪枝函数：A.用约束函数在扩展结点处剪去不满足约束的子树 B.用限界函数剪去得不到最优解的子树
5. 迷宫问题（最佳优先搜索算法）
对OPEN表中所有节点的f(n)进行比较，按从小到大的顺序重排OPEN表。其算法效率类似于DFS，但使用了与问题特性相关的估价函数来确定下一步待扩展的节点，因此是一种启发式搜索 OPEN 表: 保存了所有已生成但是未访问过的节CLOSED 表: 记录已访问过的节点。步骤：A.把S放入OPEN表，计算估值函数 B.判断OPEN表是否为空 C.把OPEN表中第一个节点N放入CLOSED表 D.判断N是否为目标节点 E.扩展N计算所有子节点的估值函数 F.把子节点放入OPEN表，对所有节点按估值函数值由小到大重排 A.OPEN是否为空 （画出生成树）
最低0.47元/天 解锁文章
扫一扫
25万+
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
