算法
陈海明hack
信息技术--时间与空间的多维设计
展开
-
数据结构和基建是相通的,多年回顾
数据结构能干什么原创 2022-02-25 21:27:58 · 401 阅读 · 1 评论 -
渴望什么技术,如何从ARIMA模型到理解更多的模型设计
一、渴望知识又要理解知识 知识是对相关关系、因果关系和逻辑关系的理解。 知识组织了信息,呈现为模型的形式。市场竞争的经济学模型、网络的社会学模型、地震的地质学模型、航空领域的定位跟踪模型、探月总体部的星际飞行模型,以及学习的心理学模型,都体现了知识。这些模型能够从科学的求真精神中给予解释和预测。 层次结构的基础就是智慧。智慧就是指识别和应用相关知识的能力。智慧需要多模型思维。有时,智慧体现在懂得如何选出最优模型, 就像手中有剑心中有剑谱的高手,工具的技巧,...原创 2022-01-11 21:46:23 · 278 阅读 · 0 评论 -
机器学习与公共传播、舆情检测的研究总结
一、认识 喻国明老师的《公共传播、舆情检测与研究方法》课程中,发现喻老师课程分享的研究方法适合我在机器学习进行数据测试和研究。二、文本分类 工具:Elasticsearch和weka。 分词工具:IK Analyzer。 数据来源:百度舆情分析文本。 方式:移除停用词、词干提取、词频统计、TF-IDF三、时序分析研究1、报道与舆论监督。2、媒体与网络舆论。3、公共领域与舆论场。4、突发事件与网络舆情...原创 2021-09-24 21:14:58 · 288 阅读 · 1 评论 -
Java机器学习-BLAS线性代数
一.认识 BLAS【Basic Linear Algebra Subprograms,基础线性代数程序集】是一个抽象类,用于规范发布基础基础线性代数操作的数值库【常用于向量或矩阵计算】。该程序集最初发布于1979年,并用于创建更大的数值程序包【例如:LAPACK】。在高性能计算领域,BLAS被广泛使用。 在原来的版本上,各大编程语言和各大算法公司都不断修改和完善设计原理。二.java设计public abstract class BLAS{ private stati...原创 2021-08-31 22:28:21 · 893 阅读 · 1 评论 -
java深度学习Service层架构
一、认识 在写Service层时,遇到设计模式一打一打的包,设计规则在不断重写和抽象、适配接口。不断完善不同设计模式的类在引用和关联。二、结构整理三、总结 清晰的设计需要文档和UML。...原创 2021-08-06 16:05:32 · 673 阅读 · 1 评论 -
Java机器学习实战——SVD(奇异值分解)完整设计
一、认识 奇异值分解(Singular Value Decomposition,以下简称SVD)是在机器学习领域广泛应用的算法,它不光可以用于降维算法中的特征分解,还可以用于推荐系统,以及自然语言处理等领域。是很多机器学习算法的基石1.1特征值和特征向量 (注:特征值和特征向量的图来自网络)1.2.SVD的相关内容 不做解释,需要先认识定义,然后做基本的向量运算,还有内容很多啊...原创 2021-08-01 22:33:13 · 1073 阅读 · 4 评论 -
使用Treiber(1986年)算法的非阻塞链表-java版
1.认识 构建非阻塞算法的窍门是:缩小原子化的范围到唯一的变量。2.设计代码package cn.it;import scala.collection.mutable.Node;import java.util.concurrent.atomic.AtomicReference;class ConcurrentStackM<E> { AtomicReference<Node<E>>top=new AtomicReference...原创 2021-07-16 10:13:16 · 173 阅读 · 2 评论 -
深度学习常用符号和特殊符号
原创 2021-07-11 11:21:59 · 1423 阅读 · 0 评论 -
归一化和相关性的计算
1.认识归一化 总结1:归一化是使计量(物理)系数值的绝对值变成某种相对值的相关性办法 总结2:在以前的本科化学的量子学里,表达粒子的量子态的波函数必须满足归一条件,也就是说,在空间内找到粒子的概率必须等于1。这性质称为归一性。 总结3:波函数是一个复函数。 概率密度是一个实函数,空间内积分和为1,称为概率密度函数。所以在区域内,找到粒子的概率是1。 总结4:假若,从解析薛定谔方程而得到的波函数,其概率是有限的,但不等于1,则可以将波函数乘以一个常数...原创 2021-07-10 11:05:09 · 3314 阅读 · 1 评论 -
合并算法笔记
合并排序算法是一种分而治之的算法。在分而治之的范式中,一个问题被分解成较小的问题,其中每个小问题仍然保留着大问题的所有属性——大小除外。为了解决原始问题,每个部分都是单独解决的,然后这些部分又合并在一起。例如,假设您必须使用冒泡排序算法对200个元素的数组进行排序。因为选择排序需要O(n^2)时间,所以对数组进行排序大约需要40000个时间单位。现在想象一下,将数组拆分成十个相等的片段,并使用...原创 2019-11-02 11:58:53 · 430 阅读 · 1 评论