dumpling90-CSDN博客

原创朴素贝叶斯算法实战代码案例

在朴素贝叶斯算法中，我们先计算出每个分类的先验概率，然后通过给定的属性值计算每种分类的后验概率，最终选择拥有最高后验概率的分类作为其预测结果。我们可以将测试集中的每个邮件分别输入到模型中，该模型能够根据邮件的各项属性计算概率，从而预测该邮件的分类。总的来说，朴素贝叶斯算法是一种比较简单易用的分类算法，其主要优点是计算速度快、准确率高，并且可以在大数据量下进行有效的处理。朴素贝叶斯算法中的“朴素”指的是假设每个属性/特征都是条件独立的，即每个属性对分类的影响是相互独立的，这样可以大大简化计算。

2023-03-13 22:57:50 794

原创 JAVA深度优先搜索和广度优先搜索的代码实现过程详解

深度优先搜索和广度优先搜索是两种常见的图遍历算法，其中深度优先搜索是以深度为优先级的搜索，而广度优先搜索是以广度为优先级的搜索。下面将分别介绍它们的java代码实现过程。其中v表示当前搜索的节点，visited表示用于标记是否已经被搜索过的数组，adjList是邻接表表示的图，用List表示。其中start表示搜索的起始节点，visited和adjList的含义与深度优先搜索相同，Queue用于存储待搜索的节点队列。

2023-03-13 22:42:33 294

原创 java如何实现深度优先算法

深度优先算法（Depth First Search，DFS）是一种重要的图遍历算法，其实现可以使用 Java 编程语言。在 dfs 方法中，首先将该节点标记为已访问（visited[node] = true），然后输出该节点的编号。然后循环遍历该节点的所有邻居节点，对于每个未被访问过的邻居节点，递归调用 dfs 方法。首先创建一个 Graph 类，其中包含节点的数量和一个邻接矩阵，用于存储图的连接关系。创建一个 dfs(int node) 方法，其中 node 是当前访问的节点的编号。

2023-03-13 22:30:20 434

原创 python写一个音乐播放器，包括管理播放列表、控制播放进度等功能

这个音乐播放器具有基本的播放、暂停、停止、下一首、上一首、调整音量、获取当前和总时间等功能。这样，就可以编写一个简单的音乐播放器，对于复杂的播放器，可以在此基础上添加更多功能和交互特性。是包含了所有音乐文件路径的列表。类中的各种方法来控制音乐的播放。类中的方法来实现这些功能。

2023-03-13 22:22:34 475

原创 Docker 和 Docker Compose的安装步骤

以上步骤仅供参考，具体步骤可能会因为操作系统版本或其他因素略有不同。

2023-03-13 22:08:33 99

原创 SQL面试题及答案

要在表中插入数据，您可以使用如下的语句：INSERT INTO employees (id, name, age, salary) VALUES (1, 'John Smith', 25, 50000);要使用“Order By”对数据进行排序，您可以使用如下的语句：SELECT * FROM employees ORDER BY salary DESC;要使用“Where”子句选择特定的数据行，您可以使用如下的语句：SELECT * FROM employees WHERE age > 30;

2023-03-13 16:58:23 222

原创 Pytorch教程（二）

PyTorch是一个广泛使用的Python深度学习框架。在本教程中，我们将探讨PyTorch的基础功能以及如何使用它们来构建神经网络。自动梯度计算是PyTorch的特有功能。它允许用户构建计算图并自动计算梯度，这对于训练深度学习模型非常有用。在上面的示例中，我们使用随机梯度下降（SGD）优化器，通过计算模型的损失函数和反向传播更新模型的权重。至此，我们简单介绍了PyTorch的几个基础功能。PyTorch还提供了用于优化神经网络的优化器。计算张量的梯度需要使用。模块，其中包含构建神经网络所需的各种模块。

2023-03-13 16:46:26 48

原创 PyTorch学习入门（一）

PyTorch是一款基于Python的科学计算库，它是一个用于构建动态计算图的框架，专注于深度学习的应用和开发，提供了在GPU和CPU上速度快的张量操作和自动求导。下面是一个PyTorch新手学习的技术文档，其中包含PyTorch的介绍、PyTorch的功能和新手应该从哪里开始学习以及有用的学习资源和网站推荐。PyTorch是Facebook旗下的开源机器学习库，它是一款基于Python的科学计算库，提供了易于使用的API，可以用于构建深度学习模型。深度学习最常用的框架之一是卷积神经网络（CNNs）。

2023-03-10 17:42:41 170

原创 Docker使用技术指导

在使用Docker时，需要先安装和配置基础环境，创建和运行容器，构建自己的Docker镜像，并且进行主机与容器之间的数据交换。通过Docker，您可以将应用程序和服务以容器的形式提供，使它们拥有独立的环境并且可以在任何地方运行。容器包含了应用程序的所有运行时环境，如内存、进程、网络和系统等，几乎所有where可以运行 Docker的地方都支持容器。其中，容器内的数据可以保存在本地主机的指定目录下，通过卷挂载的方式实现数据的共享。如果希望在容器中运行自己的应用程序，就需要构建自己的Docker镜像。

2023-03-10 17:18:26 111

ChatGPT缺陷不足-工具不是万能的

2022 年末 ChatGPT 的横空出世，在整个自然语言处理乃至人工智能领域都掀起了一阵海啸。自席卷全球以来便引起各行各业空前的热度，数亿用户震惊于 ChatGPT 的强大智能，感慨机器智能的飞速革新，研究背后的关键技术革新，然而这并不代表 ChatGPT 已然完美无瑕，从业者们则更多在思考当前 ChatGPT 亦或是预训练大模型存在哪些缺陷。诚然 ChatGPT 的效果一度惊艳到众人，但仍未脱离深度预训练大模型的范式，更多是一个工程上的突破性进展，因此其缺点也并不难发现。本章主要指出其两大大明显缺点：生成文本包含事实错误，无法做到实时更新。至于其他一些能否做到类人思考等问题仍存在争议，本文就不作赘述。很多用户在使用中时常会碰到诸如事实错误这些问题，对于铺天盖地的炒作，很多不明就里的外行发出了“就这？”的疑问。实际上，ChatGPT 乃至正在推出的 GPT-4 以及未来的 GPT-5 等等，是近几十年人工智能研究范式的集大成者；当我们了解了神经网络的发展历程，了解了大模型的百花齐放，了解了从 GPT、GPT-2、BERT、GPT-3 的日新月异及其背后的大公司的争相角逐，

2023-06-30

ChatGPT使用指南-文本推理

ChatGPT使用指南——推理Reasoning 1. 什么是推理（Reasoning）？ 2. 导入ChatGPT 3. 测试ChatGPT的推理能力 3.1 演绎推理（Deductive Reasoning） 3.2 归纳推理（Inductive Reasoning） 3.3 溯因推理（Abductive reasoning） 3.4 三者之间的关系 4. 调用ChatPT的推理能力 4.1 LLM推理求鼓励，请告诉ChatGPT去思考——Let's think step by step(Zero-shot-COT) 4.2 给几个例子，告诉ChatGPT应该这么思考——Chain of Thought Prompting 4.3 任务太难，拆分一下，找个简单的去突破——Least to Most prompting 4.4 并非所有问题都需要拆解，不如先问问LLM(比如：ChatGPT)的意见——Self-Ask 4.5 集思广益——Self Consistency 5. ChatGPT以及GPT-4的推理能力 6. 本章总结相关文献

2023-06-30

空空如也

TA创建的收藏夹 TA关注的收藏夹

TA关注的人

dumpling90的博客