- 博客(7)
- 收藏
- 关注
RSS订阅原创 奶酪~深度优先搜索的剪枝策略
题目描述现有一块大奶酪，它的高度为 hh，它的长度和宽度我们可以认为是无限大的，奶酪中间有许多半径相同的球形空洞。我们可以在这块奶酪中建立空间坐标系，在坐标系中，奶酪的下表面为 z = 0，奶酪的上表面为 z = h。现在，奶酪的下表面有一只小老鼠 Jerry，它知道奶酪中所有空洞的球心所在的坐标。如果两个空洞相切或是相交，则 Jerry 可以从其中一个空洞跑到另一个空洞，特别地，如果一个空洞与下表面相切或是相交，Jerry 则可以从奶酪下表面跑进空洞；如果一个空洞与上表面相切或是相交，Jerry 则可
2021-02-18 17:44:34
146
原创 计算机组成原理~计算机的基本组成②
一个现实中的问题，如何用计算机解决？一个现实中的问题，如何用计算机解决？是不是所有的问题都可以用计算的方法来解决？假设我们面对的是一个可以有计算机解决的问题，如何用计算机来解决这个问题？三、计算机的工作步骤1.上机前的准备：建立数学模型确定计算方法如：编制解题程序程序——运算的全部步骤。指令——每一个步骤。2.编程举例计算 ax2 + bx + c需要加法指令，乘法指令，取数指令，存数指令，打印指令和停机指令。运算步骤：①取 x 至运算器中。②乘以 x 在运算器中
2021-02-18 10:02:23
880
原创 计算机组成原理~计算机的基本组成①
一、冯·诺依曼计算机的特点①五大组成部分：运算器，控制器（控制进行何种计算），存储器，输入设备，输出设备。②指令和数据以同等的地位保存在存储器当中，可按地址寻访。③指令和数据使用二进制表示。④指令由操作码和地址码组成。⑤存储程序。 具有存储程序特征的机器都成为冯诺依曼机。⑥以运算器为中心。冯·诺依曼计算机的硬件框图实线表示数据信号，虚线表示控制信号。如：数据要从存储器中取出，需要发送给控制器一个分信号，由控制器反馈控制信号才能输出。运算器：算术运算，逻辑运算。存储器：存放数据和程序
2021-02-17 18:01:23
320
原创 机器学习入门~复习逻辑回归
什么是逻辑回归逻辑回归，也称Logistic回归，是一种用于分类的算法。分类问题有多分类问题和二分类问题，但由于二分类问题是基础，此处仅探讨二分类问题。那么具体什么是分类问题呢？给出一个问题的模型，如，给出一个肿瘤的尺寸，判断肿瘤是良性的还是恶性的，这就是一个二分类问题，将给定的模型分为0类或1类。如何实现逻辑回归不多卖关子，使用线性回归不可以实现逻辑回归，否则为什么要领取其名呢？但 线性回归和逻辑回归是有相似之处 的。我们都知道，线性回归进行预测的假设函数hθ(x) = θTX，而逻辑回
2021-02-17 14:50:49
92
原创 机器学习入门~复习正规方程
正规方程与梯度下降的区别梯度下降给出的是一种不断迭代的方法，通过计算机进行反复的运算，找到最优的θ向量使代价函数J(θ)收敛，此时得到最优的假设函数参数θ。正规方程则是给出了一种数学方法，通过数学的推导得到了正规方程，必须经过反复迭代，只需一步计算即可解出最优的θ。如何使用正规方程以一个n = 3，m = 4，即有四个特征量和四个训练样本的数据为例。x对应的是特征量，由于其n = 3，m = 4，将每一个特征量x存储在矩阵中，得到的当然是4*4（ (n+1)*m 阶的矩阵，n还需要+1因为
2021-02-16 08:00:10
237
原创 机器学习入门~复习线性回归的梯度下降
对梯度下降算法的理解在线性回归问题中，梯度下降算法用于寻找最适合的参数向量θ，以构造一条能够最好地拟合训练集的曲线，以对新的特征值进行预测。梯度下降是与代价函数J(θ)搭配使用的，在线性回归问题中，代价函数J(θ)为平方差代价函数，其公式为????：（给出的为仅包含一个特征量的情况，实际问题中，θ为一个n+1维向量，包含n个特征量。）????通过计算机的迭代不断改变参数θ的值，使代价函数的值最小（收敛）时，得到最佳的参数θ，完成任务。每一次迭代对于θ值的改变：其中，α为学习率，控制着每一次迭代的
2021-02-15 17:24:38
140
原创 机器学习入门~神经网络③
代价函数本处所应用的神经网络算法主要针对分类问题。如上图所示????，有一个样本空间为m的训练集，L代表神经网络的层数，此处L = 4，si表示某层神经元的数量，如s1 = 3，k代表输出层的神经单元数目。那么，对于一个二元分类问题，最后的输出只有0或1，因此，输出层只有一个神经单元，sL = 1（sL即表示最大层数所在层的神经单元数目即输出层，对于二元分类，输出层神经单元数目为1），k = 1，输出的是一个实数。另一种分类问题即多元分类问题，输出层的神经单元数目为k（即，将数据集分为k
2021-02-04 11:21:17
104
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