Edith077-CSDN博客

原创剑指offer 练习五（Java版）

题四十一输入一个递增排序的数组和一个数字S，在数组中查找两个数，是的他们的和正好是S，如果有多对数字的和等于S，输出两个数的乘积最小的。import java.util.ArrayList;public class Solution { public ArrayList FindNumbersWithSum(int [] array,int sum) {

2017-08-16 22:55:54 274

原创剑指offer 练习六（Java版）

题五十一请实现一个函数用来判断字符串是否表示数值（包括整数和小数）。例如，字符串"+100","5e2","-123","3.1416"和"-1E-16"都表示数值。但是"12e","1a3.14","1.2.3","+-5"和"12e+4.3"都不是。public class Solution { public boolean isNumeric(char[] str) {

2017-08-16 22:40:45 270

原创机器学习笔记（七）集成学习概述

集成学习（ensemble learning）是通过组合多个基分类器（baseclassifier）来完成学习任务。基分类器一般采用的是弱可学习分类器，通过集成学习，组合成一个强可学习分类器。 LeslieValiant提出了“强可学习（strongly learnable）”和”弱可学习（weakly learnable）”的概念，指出：在概率近似正确（probably appro

2017-08-09 22:23:31 509

原创机器学习笔记（六）决策树

决策树是一种基本的分类与回归的方法。在分类问题中，表示基于特征对实例进行分类的过程，可以认为是if-then规则的集合，也可以认为是定义在特征空间与类空间上的条件概率分布。决策树的学习过程通常包括三个步骤：特征选择，决策树的生成，决策树的剪枝。决策树的优势在于构造过程不需要任何领域知识或参数设置，因此在实际应用中，对于探测式的知识发现很适用。 1. 决

2017-08-01 23:18:45 689

原创机器学习笔记（五）支持向量机SVM

支持向量机(Support Vector Machine)在解决小样本、非线性及高维模式识别中表现出许多特有的优势，并能够推广应用到函数拟合等其他机器学习问题中。小样本，不是指样本的绝对数量少（对任何算法来说，更多的样本几乎总是能带来更好的效果），而是说与问题的复杂度比起来，SVM算法要求的样本数是相对比较少的。非线性，是指SVM擅长应付样本数据线性不可分的情况

2017-07-27 23:13:13 1345

原创剑指offer 练习四（Java版）

题三十一求出任意非负整数区间中1出现的次数。public class Solution { public int NumberOf1Between1AndN_Solution(int n) { if(n<1) return 0; int count = 0; for(int i =1; i<= n; i++){

2017-07-24 22:46:41 198

原创剑指offer 练习三（Java版）

题二十一输入两个整数序列，第一个序列表示栈的压入顺序，请判断第二个序列是否为该栈的弹出顺序。假设压入栈的所有数字均不相等。例如序列1,2,3,4,5是某栈的压入顺序，序列4，5,3,2,1是该压栈序列对应的一个弹出序列，但4,3,5,1,2就不可能是该压栈序列的弹出序列。（注意：这两个序列的长度是相等的）import java.util.ArrayList;import java.ut

2017-07-24 22:26:05 226

原创剑指offer 练习二（Java版）

题十一输入一个整数，输出该数二进制表示中1的个数。其中负数用补码表示。public class Solution { public int NumberOf1(int n) { int count = 0; for(; n !=0; count ++){ n &= (n-1); }

2017-07-15 21:47:25 241

原创剑指offer 练习一（Java版）

题一在一个二维数组中，每一行都按照从左到右递增的顺序排序，每一列都按照从上到下递增的顺序排序。请完成一个函数，输入这样的一个二维数组和一个整数，判断数组中是否含有该整数。public class Solution { public boolean Find(int target, int [][] array) { int len = array.length-1

2017-07-13 22:00:07 206

常用的机器学习、数据挖掘方法有分类，回归，聚类，推荐，图像识别等。在实际应用中，一般都是采用启发式学习方式来实验。通常最开始我们都会选择大家普遍认同的算法，诸如SVM,GBDT,Adaboost，现在深度学习很火热，神经网络也是一个不错的选择。假如你在乎精度的话，最好的方法就是通过交叉验证对各个算法一个个地进行测试，进行比较，然后调整参数确保每个算法达到最优解，最后选择最好的一个。但是如果你只是在

2017-06-18 21:22:29 14190

原创设计模式练习--单例模式

参考： http://www.runoob.com/design-pattern/singleton-pattern.html 单例模式（Singleton Pattern）属于创建型模式，是 Java 中最简单的设计模式之一。这种模式涉及到一个单一的类，该类负责创建自己的对象，同时确保只有单个对象被创建。这个类提供了一种访问其唯一的对象的方式，可以直接访问

2017-05-23 22:12:56 1303

转载 Java8系列之重新认识HashMap

Java8系列之重新认识HashMap

2017-05-22 15:52:34 275

原创设计模式练习--抽象工厂模式

参考：http://www.runoob.com/design-pattern/abstract-factory-pattern.html 抽象工厂模式（Abstract Factory Pattern）属于创建型模式，围绕一个超级工厂创建其他工厂，这个超级工厂又是其他工厂的工厂。在抽象工厂模式中，接口负责创建一个相关对象的工厂，不需要显式指定它们的类，每个生成的工厂都能按

2017-05-21 22:25:17 469

原创设计模式练习--工厂模式

工厂模式（Factory Pattern）是 Java 中最常用的设计模式之一，属于创建型模式。在工厂模式中，创建对象时不会对客户端暴露创建逻辑，并且是通过使用一个共同的接口来指向新创建的对象。意图：定义一个创建对象的接口，让其子类自己决定实例化哪一个工厂类，工厂模式使其创建过程延迟到子类进行。主要解决：主要解决接口选择的问题。何

2017-05-20 12:01:09 491

转载卷积神经网络入门

原文地址：http://blog.csdn.net/hjimce/article/details/47323463作者：hjimce

2017-05-10 21:55:47 252

原创 Python爬虫练习笔记二

这里的爬虫知识学习十分基础，都是按照http://cuiqingcai.com/968.html逐步学习的。不过原网页是Python2.7的代码，这里改成了Python3.5版本。 Cookie，指某些网站为了辨别用户身份、进行session跟踪而储存在用户本地终端上的数据（通常经过加密）。比如说有些网站需要登录后才能访问某个页面，在登录之前，想抓取某个页面内容是不允许的。那么我们

2017-05-03 16:01:57 295

原创 Python爬虫练习笔记一

这里的爬虫知识学习十分基础，都是参考http://cuiqingcai.com/942.html学习的。不过原来时Python2.7的代码，这里改成了Python3.5 URL，即统一资源定位符，也就是网址，统一资源定位符是对可以从互联网上得到的资源的位置和访问方法的一种简洁的表示，是互联网上标准资源的地址。互联网上的每个文件都有一个唯一的URL，它包含的信息指出文件的位置以及浏览器应该

2017-05-02 11:15:12 345

转载 TCP/IP协议三次握手与四次握手流程解析

原文地址 http://www.2cto.com/net/201310/251896.html **TCP/IP协议三次握手与四次握手流程解析** 一、TCP报文格式 TCP/IP协议的详细信息参看《TCP/IP协议详解》三卷本。下面是TCP报文格式图：图1 TCP报文格式上图中有几个字段需要重点介绍下：（1）序号：Seq序号，占32位，用来标识从TCP源端向

2017-04-30 12:15:51 296

原创机器学习笔记（四）感知机

感知机是一个二分类的线性分类模型，即在特征空间中将实例划分为正负两类的分离超平面，是判别模型。感知机是神经网络和支持向量机的基础。· 模型感知机是如下函数来表示的输入空间到输出空间：其中， w和b为感知机的模型参数，w为权值向量而b为偏置。感知机的几何解释是线性方程将特征空间划分为两个部分，那么位于这两个部分的实例分别被分为正负两类。

2017-04-30 11:34:48 664

原创机器学习笔记（三）朴素贝叶斯分类

一简述朴素贝叶斯分类法是基于贝叶斯定理和特征条件独立假设的分类方法，具体做法是：1）基于特征条件独立假设来学习输入/输出的联合概率分布；2）基于学习的模型，对给定的输入，利用贝叶斯定理求出后验概率最大的输出。它的思想很简单：对于给出的待分类项，求解在此项出现的条件下各个类别出现的概率，哪个最大，就认为此待分类项属于哪个类别。二原理·基本方法

2017-04-18 21:12:28 2737 1

转载机器学习中的相似度测量

本文参考自 http://www.cnblogs.com/heaad/archive/2011/03/08/1977733.html 做分类时常常需要估算不同样本之间的相似性度量(Similarity Measurement)，这时通常采用的方法就是计算样本间的“距离”(Distance)。采用什么样的方法计算距离是很讲究，甚至关系到分类的正确与否。本文的目的就是对常用的相似性度量作一

2017-03-31 21:49:50 3403

原创机器学习笔记（二）最大熵模型

一最大熵原理最大熵原理指出，对一个随机事件的概率分布进行预测时，预测应当满足全部已知的约束，而对未知的情况不要做任何主观假设。在这种情况下，概率分布最均匀，预测的风险最小，因此得到的概率分布的熵是最大。也就是说，学习概率模型时，在所有的概率模型分布中，熵最大的模型是最好的模型。假设P(x)为离散随机变量x的概率分布，那么熵的定义为:

2017-03-29 23:15:34 2456

转载【转】个性化推荐模型

【转】个性化推荐算法

2017-03-29 20:36:27 1003

原创机器学习笔记（一）逻辑斯蒂回归LR

本文是在学习完李航老师的《统计学习方法》后，在网上又学习了几篇关于LR的博客，算是对LR各个基础方面的一个回顾和总结。一简述逻辑斯蒂回归是一种对数线性模型。经典的逻辑斯蒂回归模型（LR）可以用来解决二分类问题，但是它输出的并不是确切类别，而是一个概率。在分析LR原理之前，先分析一下线性回归。线性回归能将输入数据通过对各个维度的特征分配不同的权重来进行表征，使得所有特征

2017-03-26 11:48:18 1958

lllzy的博客