第十三周 项目二:成绩处理

问题及代码:

/*
* Copyright (c) 2014, 烟台大学计算机学院
* All rights reserved.
* 文件名称:Project4.cpp
* 作    者:李楠
* 完成日期:2014年11月20日
* 版 本 号:v1.0
*
* 问题描述: 在数组score中将要存储某小组C++程序设计的成绩,请设计实现下面的各功能函数,并在main函数中调用,组合成一个完整的应用。
* 输入描述: 一个整数,代表b
* 程序输出: 略
*/
#include <iostream>
#include <cmath>
using namespace std;
int main()
{
    int score[50]; //保存成绩的数组,不会超过50名
    int num,i;        //小组人数
    cout<<"小组共有多少名同学?";
    cin>>num;
    cout<<"请输入学生成绩:"<<endl;
    //输入num名同学的成绩
    for(i=0;i<num;++i)
    {
        cout<<"输入第"<<i<<"位同学的成绩:";
        cin>>score[i];
        if(score[i]>100||score[i]<0)
            i--;
    }
    //求出并输出最高成绩、最低成绩和平均成绩
    int max=0,min=100,sum=0,ave;
    for(i=0;i<num;++i)
    {
        sum+=score[i];
        if(max<=score[i])
            max=score[i];
        if(min>=score[i])
            min=score[i];
    }
    ave=sum/num;
    cout<<endl;
    cout<<"最高成绩为:"<<max<<",最低成绩为:"<<min<<",平均成绩为:"<<ave<<endl;
    //求出并输出考得最高成绩和最低成绩人数以及学号
    int maxn=0,minn=0;
    for(i=0;i<num;++i)
    {
        if(max==score[i])
            maxn++;
        if(min==score[i])
            minn++;
    }
    cout<<"取得最高成绩"<<max<<"分的共"<<maxn<<"人,"<<"他们的学号是:";
    for(i=0;i<num;++i)
        {
            if(max==score[i])
            cout<<i<<" ";
        }
    cout<<endl;
    cout<<"取得最低成绩"<<min<<"分的共"<<minn<<"人,"<<"他们的学号是:";
    for(i=0;i<num;++i)
        {
            if(min==score[i])
            cout<<i<<" ";
        }
    cout<<endl;
    //求出并输出标准偏差(选做)
    double sdeviation;
    double psum=0;
    int p;
    for(i=0;i<num;++i)
    {
        p=score[i]-ave;
        psum+=p*p;
    }
    sdeviation=sqrt(psum/(num-1));
    cout<<"标准偏差为:"<<sdeviation<<endl;
    return 0;
}


运行结果:

知识点总结:

这个程序也有一些大,它运用的知识主要是有一维数组,循环,for语句的使用很重要!!!

学习心得:

最开始写出来的程序有小错误,有格式的不合理,修改了几次之后感觉很满意,哦哈哈~
深度学习是机器学习的一个子领域,它基于人工神经网络的研究,特别是利用多层次的神经网络来进行学习和模式识别。深度学习模型能够学习数据的高层次特征,这些特征对于图像和语音识别、自然语言处理、医学图像分析等应用至关重要。以下是深度学习的一些关键概念和组成部分: 1. **神经网络(Neural Networks)**:深度学习的基础是人工神经网络,它是由多个层组成的网络结构,包括输入层、隐藏层和输出层。每个层由多个神经元组成,神经元之间通过权重连接。 2. **前馈神经网络(Feedforward Neural Networks)**:这是最常见的神经网络类型,信息从输入层流向隐藏层,最终到达输出层。 3. **卷积神经网络(Convolutional Neural Networks, CNNs)**:这种网络特别适合处理具有网格结构的数据,如图像。它们使用卷积层来提取图像的特征。 4. **循环神经网络(Recurrent Neural Networks, RNNs)**:这种网络能够处理序列数据,如时间序列或自然语言,因为它们具有记忆功能,能够捕捉数据中的时间依赖性。 5. **长短期记忆网络(Long Short-Term Memory, LSTM)**:LSTM 是一种特殊的 RNN,它能够学习长期依赖关系,非常适合复杂的序列预测任务。 6. **生成对抗网络(Generative Adversarial Networks, GANs)**:由两个网络组成,一个生成器和一个判别器,它们相互竞争,生成器生成数据,判别器评估数据的真实性。 7. **深度学习框架**:如 TensorFlow、Keras、PyTorch 等,这些框架提供了构建、训练和部署深度学习模型的工具和库。 8. **激活函数(Activation Functions)**:如 ReLU、Sigmoid、Tanh 等,它们在神经网络中用于添加非线性,使得网络能够学习复杂的函数。 9. **损失函数(Loss Functions)**:用于评估模型的预测与真实值之间的差异,常见的损失函数包括均方误差(MSE)、交叉熵(Cross-Entropy)等。 10. **优化算法(Optimization Algorithms)**:如梯度下降(Gradient Descent)、随机梯度下降(SGD)、Adam 等,用于更新网络权重,以最小化损失函数。 11. **正则化(Regularization)**:技术如 Dropout、L1/L2 正则化等,用于防止模型过拟合。 12. **迁移学习(Transfer Learning)**:利用在一个任务上训练好的模型来提高另一个相关任务的性能。 深度学习在许多领域都取得了显著的成就,但它也面临着一些挑战,如对大量数据的依赖、模型的解释性差、计算资源消耗大等。研究人员正在不断探索新的方法来解决这些问题。
评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值