- 博客(104)
- 收藏
- 关注
RSS订阅原创 INT202 week1-week5
week 1 Complexity of Algorithms Introductionweek 2 Stackweek 3 Search Algorithmsweek 4 Sorting Algorithms ，Fundamental Techniquesweek 5 Optimization Problems
2026-06-27 14:42:00
21
原创 CPT204 week 5-8
Week 5Lists, Stacks, Queues, and Priority Queues1) 为什么需要数据结构（Data Structure）2) 容器对象（Container Object）与面向对象思维（OOP thinking）3) Java Collections Framework 总览（Grand Hierarchy）4) 接口与实现（Interfaces vs. Implementation）5) Collection接口：通用控制面板（Universal Controls）文档把
2026-06-27 14:37:25
182
原创 CPT204 week1-week12
本课程将在 Java 编程语言（Java programming language） 的背景下介绍 数据结构（data structures） 和 高级编程语言特性（advanced programming language features）。课程还将讲解相关 原则（principles）、提供示例（indicative examples）、培养 问题解决能力（problem-solving abilities），并让学生在现代软件开发场景（contemporary software setting）中，
2026-06-27 14:32:14
176
原创 INT202 week6-week12
算法与数据结构GraphsMinimum Spanning Tree and Network FlowNumber Theory and CryptographyNP-CompletenessApproximation Algorithms / Vertex Cover / TSP
2026-06-27 14:26:58
215
原创 CPT208 cheatsheet
CPT208 Human-Centric Computing1. 以用户为中心的设计（user-centered approach）2. 创建和部署交互系统（interactive computing systems）3. 评估可用性与用户体验（usability and user experience）
2026-06-27 14:16:36
223
原创 Lecture 8 Decision Tree KNN
（1）图中展示了通过属性 Refund、Marital Status（MarSt） 与 Taxable Income（TaxInc） 进行划分的树结构。Induction（归纳）：通过训练集（Training Set）使用学习算法（Learning Algorithm）生成模型（Model）Deduction（演绎）：将生成的模型应用到测试集（Test Set），预测未知样本的类别（Class）（1）当 k = 1 时，模型可能对错误数据（噪声）过于敏感，造成误分类（Overfitting）
2026-03-03 18:27:50
456
原创 Lecture 7 SVM , Naive Bayes
1. 定义：监督学习是一种使用标注数据（labeled data）进行训练的机器学习方法，目标是识别输入特征（input features）与输出结果（labels）之间的关系。（3）生成一个线性决策边界（Linear Decision Boundary），用于区分线性可分的两类（+1 和 -1）包括先验概率（Prior）、似然（Likelihood）、后验概率（Posterior）和证据（Evidence）。(1) 损失函数的斜率(slope)或梯度（Gradient） 是衡量模型性能的主要指标。
2026-03-02 13:36:18
1373
原创 ROC AUC Accuracy Precision Recall F1
每一个ROC曲线都有唯一的一个PR曲线与之对应。AUC范围：0-1，（TPR）越大越好。ROC曲线越靠近左上角效果越好。PR曲线越靠近右上角效果越好。当数据极度不平衡要用PR曲线。
2026-03-02 13:33:14
328
原创 Lecture 10 Ai Applications
多模态输入 → 特征提取（文本/音频/视觉特征）→ 融合层 → 决策输出。模式识别偏重于“判断”——给具体数据自动分类或识别标签。数据挖掘偏重于“发现”——从大数据中找出知识和规律。
2026-03-02 13:30:44
735
原创 Lecture 9 Fine-tune & System Evaluation
给模型更多数据（Give the model more data）数据多了模型记忆效果被打破，更容易泛化。Dropout是一种常用的神经网络正则化方法，用于防止深度学习模型的过拟合（overfitting）。它的基本思想是：在模型训练过程中，随机“丢弃”部分神经元，使这些神经元的输出暂时失效（即置为0）。对“被错分最多的数字”（如3），进一步比较错分的“3”和正确分的“3”的具体图像。假设某些数字更容易被错分，统计每个类别的错误数量，画出直方图。第一行：显示被错分的“3”的样本及其被预测成的类别。
2026-03-02 13:30:06
856
原创 Lecture 3 Data Collection Data Distribution
从总体中反复抽取样本，并用同样的方法为每个样本计算一个置信区间，那么这些置信区间中，有置信水平百分比的区间会包含总体的真实参数（如均值、比例等）在没有对总体进行任何分层（stratification）的前提下，直接从总体中随机抽取的样本。多变量自助采样则是对整个数据表的每一行整体抽样，每次抽取的是一行（包含所有变量/特征的值）。根据频数表绘制的图形，横轴为分箱（区间），纵轴为每个分箱内的数据数量（或比例）在排序后的数据中，使得权重总和的一半分别位于该数值的上方和下方的数值。
2026-03-02 13:29:29
1006
原创 Lecture 4 PCA
将相关特征（Correlated features）变为独立特征（Independent features）第一主成分的方向 = 相关系数矩阵（或协方差矩阵）对应的最大特征值的。同义词：均方误差（mean-squared-error）= 协方差矩阵在该方向上的方差 = 最大。协方差：两个变量之间的关系。# 投影到主成分空间。
2026-03-02 13:28:32
241
原创 涉及到的统计数学
描述分布的特征：expected value , varience , standard deviation , skewness (偏度） , kurtosis （峰度）其他数据集中趋势的的度量：中位数（Median），众数（Mode），均值（Mean）如果两个变量相互独立，联合概率密度函数 = 两个变量边际概率密度函数的乘积。从统计角度（最大化似然）来找，或者从几何角度（让它离点最近）来找。（需要更大的数据集，可以创建一些很像原始数据的合成数据）通过标准化，可以比较在不同的值范围内的不同变量。
2026-03-02 13:27:39
840
原创 Lecture 5 GMM DBSCAN
（3） Model-based clustering（基于模型的聚类）--> GMM（Gaussian Mixture Model，高斯混合模型）软聚类。（3） Central Limit Theorem（中心极限定理）：随着样本量的增加。（4） Standard Error（标准误差）：是样本统计量（如样本均值）在多次抽样中出现的变异程度（variability），也就是它们的标准差。（1）一类统计工具，适用于只有输入特征（features/input），没有标签（response）的数据。
2026-03-02 13:13:37
570
原创 Lecture 6 K-means 层次聚类
（2）理想的簇数量是多少？是少量大簇还是大量小簇？2、用户需指定簇数 K（User-specified number of clusters）每个簇由质心（Centroid）表示。（2）次优聚类（Sub-optimal Clustering）: 相似点被分开，不同点被归为一簇→ 聚类质量差，SSE 较高。（1）叶子节点（Leaf nodes）为单个元素组成的簇(singleton clusters)（1）最优聚类（Optimal Clustering）: 聚类质量高，SSE 最小，结构清晰。
2026-03-02 13:12:07
588
原创 week 2 - Branching - Arrays
•在 C 语言中，if 和 else 用于根据条件选择代码执行路径。与 Java 不同，C 语言没有布尔类型，通过来表示，0、0.0 和 '\0' （null character）都表示“假”，其他值表示“真”。•比较运算符在 C 语言中用于比较两个值，返回布尔值。常见的比较运算符包括 ==（等于），!=（不等于），<（小于），>（大于），<=（小于或等于），>=（大于或等于）。该语句检查 a 是否等于 b，如果相等，result 将是 1（真），否则为 0（假）•。
2025-03-03 23:15:18
739
原创 【无标题】
• 在 func1 执行时，status 变量被更新，但此时线程可能会切换到 thread2，使得 func2 也修改了 status 变量。在上面的例子中，status 可能在没有正确同步的情况下被多个线程修改，从而导致竞争条件和不一致的结果。• 许多程序最初是以单线程的方式编写的，即程序中的代码是顺序执行的，只有一个执行路径。• 代码中的全局变量会被共享并在不同函数中进行修改，因此它们的值会影响程序的执行结果。• 在单线程程序中，使用全局变量是可以的，因为程序是顺序执行的，不会有并发问题。
2025-03-02 13:01:01
388
原创 week 3 - More on Collections - Lecture 3
1. Java支持哪种类型的一维数据结构？Java中用于在单一维度中存储数据的数据结构，如arrays or ArrayLists.2. 如何在Java下创建一维数据结构？定义和初始化这些一维数据结构// 使用初始化语法创建并赋值用于动态列表3. 我们如何使用它们？如何maintain它们？数组或列表中添加、删除或访问元素。维数据结构主要包括对其进行动态管理和更新，包括扩展大小、添加新元素、删除元素、检查元素等操作。
2025-03-01 18:47:34
1052
原创 Week2 Using the Java Collection Libraries Lecture 2
抽象数据类型（ADT）是一种数据类型，它描述了数据结构的操作和行为，但并不涉及数据是如何实现的。简而言之，ADT 强调了操作接口和行为规范，而不关心其内部的实现细节。• ADT 用来定义一类数据对象的集合，并指定允许对该数据进行的操作• 例如，SetADT：•操作包括 add(value)、remove(value) 和 contains(value)。• 新集合的初始状态：一个新的 Set 不包含任何元素。• 元素添加与移除的条件：集合包含某个值当且仅当：该值已被添加并且没有被移除。集合。
2025-03-01 00:45:03
948
原创 Week - 2 - ttl
O(1), O(n2), O(n3), O(n), O(log n), O(log2 n), O(n log n), O(√𝑛), O(n2 log4 n), O(n3/2 ), O(n10/3 ), O(n4).1. 2. 3. 4. 5. 6. 7. 9. 10. 11. 12. 的增长速度大于 但小于 4. Prove that the functionf5.count = 0beginendelse。
2025-02-26 20:29:39
375
原创 Week 2 - Algorithm efficiency + Searching/Sorting
•：这些算法的时间复杂度是以输入大小的为度量的。例如，O(n^2)、O(n^3)等。这类算法的运行时间随着输入规模增大而增加，但通常增长速度较为缓慢，适合处理大规模数据。（冒泡排序、插入排序）•：这些算法的时间复杂度是以输入大小的为度量的，如O(2^n)，O(n!)等。随着输入规模的增大，算法的运行时间呈指数增长，处理规模较大的问题时，可能会变得不可行。（穷举搜索、一些动态规划算法（在特定情况下））。是指特别是。它帮助我们理解算法在输入数据量增大时的表现，并确定其。•：用于在数据结构中。
2025-02-26 20:05:11
792
原创 Lecture 2 - Python
1.（可执行文件）：生成可以直接运行的程序。（经过编译的程序）2.（解释器）：Python 使用解释器逐行执行代码，而不是通过编译成机器代码来运行。•（多版本支持）：Python可以有不同版本的解释器。3.（环境配置）：Python的环境需要正确配置，以确保代码能正确执行。4.（基于Linux的逻辑，移植到Windows）：Python开发时一般基于Linux环境，但它已被移植到Windows系统。•（编译器）：将源代码编译成机器代码，并生成可执行文件。•（解释器）：逐行读取源代码并直接执行。
2025-02-24 22:36:24
931
原创 Lecture 1 - AI Systems (Overview)
（半监督学习）：部分数据是带标签的，部分数据没有标签，通过半监督学习利用未标记数据提高模型的准确性。（监督学习）：这种方法依赖于标签数据，通过已标记的训练数据来预测未知数据的标签。（过拟合）：模型过于复杂，导致在训练数据上表现很好，但在新数据上表现不佳。（非代表性训练数据）：训练数据可能不能代表实际问题，导致模型效果不佳。（数据不匹配）：训练数据与实际数据领域不匹配，导致模型效果差。（异常检测）：识别数据中的异常值或不符合预期的数据。（无监督学习）：完全没有标签的数据，模型通过数据的。
2025-02-24 20:46:23
573
原创 week1- Lecture2- asymptotic analysis
具体来说，f(n) = O(g(n)) 意味着，对于足够大的 n，f(n) 的增长不会超过 g(n) 的增长的常数倍。比如 f(n) = 2n³ + 5n² + 4n + 7，其中最高次项是 2n³，因此 f(n) 的增长率由 n³ 主导。在多项式函数中，具有相同幂次的函数之间增长速度更接近，例如 f₃(n) = n² - 3n + 6 和 f₄(n) = 2n²，它们的增长速率非常相似。• n³ + n² = O(n³)，表示 n³ + n² 的增长速率由 n³ 主导，因此其时间复杂度是 O(n³)。
2025-02-23 14:19:12
994
原创 Lecture 1 Introduction + Mathematical Induction
最简单的（straightforward）算法（暴力算法brute force algorithm）可能会运行得很慢，因此我们需要更高效的解决方案。– Primality testing 素数检验是判断一个数是否为素数的问题。1. Sorting 排序是将一组元素按照某种顺序（通常是升序或降序）排列的过程。旅行商问题是寻找一条访问所有节点一次并最终返回到起点的最短路径的问题。背包问题是选择一组物品，使得它们的总重量不超过限制且总价值最大。，可以使用更高效的方法——
2025-02-21 13:50:07
712
原创 CPT102 - Lecture 1 - Overview and Guidelines on Quality Software Design
•数据挖掘（Data Mining） 是从数据中提取模式的过程，已在多个领域应用以获得良好的经济效益。•大数据分析（Big Data Analytics） 是数据挖掘的一个重要领域。•数据库中的知识发现（Knowledge Discovery in Databases）（KDD）是数据挖掘下的一个新兴领域，KDD 创建了输入数据的抽象。
2025-02-19 00:45:43
868
原创 Office hour 2-自然语言处理
主要涉及**自然语言处理（NLP）**的多个方面，包括发展历程、神经网络模型、大语言模型、以及实际应用。1.•：NLP的研究始于机器翻译，探索计算机如何处理和翻译语言。最初的研究尝试通过规则和字典进行翻译，但效果有限。2.•：在这一时期，NLP研究依赖于手工制定的规则和知识库来解决语言理解问题。专家系统和基于规则的系统成为主流，人工编码语言的规则进行处理。3.•：随着计算能力的提高和数据量的增加，基于统计的学习方法逐渐取代了基于规则的方法，成为NLP的主流。
2025-02-14 14:54:25
1055
原创 Office hour 1
涉及、以及等内容。•：Anaconda 是一个开源平台，旨在简化数据科学的工作流程，提供了 Python 和超过 150 个科学计算包。它包含了 conda 包管理器，可以帮助用户轻松安装和管理不同的 Python 包和环境。
2025-02-11 23:09:30
746
原创 PettingZoo
action = env.action_space(agent).sample() # 采取随机动作。🔹 通过 Wrappers，用户可以更轻松地管理 PettingZoo 环境。🔹 该代码可以检测 env 是否符合 PettingZoo API 标准。• 例如：乒乓球（Pong）、太空侵略者（Space Invaders）等。PettingZoo 提供了多种 API，用于不同类型的多智能体任务。api_test(env) # 运行 API 规范测试。该部分提供 PettingZoo 运行环境的。
2025-02-07 14:48:12
1370
原创 Racecar Gym 总结
Racecar Gym 是一个基于 PyBullet 物理引擎 的自动驾驶仿真平台，提供 Gymnasium（OpenAI Gym） 接口，主要用于强化学习（Reinforcement Learning, RL）、多智能体竞速（Multi-Agent Racing） 和 计算机视觉（Computer Vision） 研究。该环境具备可扩展性、高度定制化和高性能物理仿真，广泛适用于自动驾驶、路径规划、多智能体交互等领域。• 训练 AI 在不同赛道环境中适应驾驶挑战。• 研究智能体路径规划与优化。
2025-02-07 13:36:42
959
原创 flappy-bird-gymnasium
flappy-bird-gymnasium 是一个基于 OpenAI Gymnasium 的环境，旨在为 Flappy Bird 游戏提供强化学习研究平台。该项目的游戏逻辑和图形实现基于。
2025-02-06 15:39:01
932
原创 gym-anytrading
参考：https://github.com/upb-lea/gym-electric-motorAnyTrading 是一组基于 reinforcement learning (RL) 的 trading algorithms（交易算法）的 OpenAI Gym 环境集合。该项目主要用于foreign exchange (FOREX) 和 stock markets (股票市场)，并提供多个 Gym environments，以简化和改进基于reinforcement learning (RL) 的交易策略
2025-02-05 20:20:07
1169
原创 Racecar Gym 代码
• pettingzoo_api.env(scenario='path/to/scenario.yml')：加载自定义。首先，你需要创建一个新的 Conda 环境，以便隔离 Racecar Gym 相关的依赖项。• python=3.8：Racecar Gym 兼容 Python 3.8（推荐）Racecar Gym 需要一些 Python 依赖项，包括。来设置不同的赛道、代理（Agents）、任务（Tasks）。• racecar_gym：自定义环境名称。，每个代理（Agent）轮流执行动作。
2025-02-05 17:28:07
840
INT202 week6-week12
2026-06-27
CPT204 高级面向对象编程（Advanced Object-Oriented Programming）
2026-06-27
空空如也
TA创建的收藏夹 TA关注的收藏夹
TA关注的人