Algrithom week1

2020.1.14 - Week 1 - Tuesday

快速,顺利的解答一道算法题的三个必备条件分别是:

  1. 对基础数据结构的理解与掌握
  2. 对题目的分析与简化(问题转化与建模)
  3. 熟练的 Coding

现在已经对基础数据结构有了初步的理解和掌握,包括树,栈,哈希表,数组,字符串。图还不是特别了解。

算法课为什么要讲Proof,就是对应解题的第二个必备条件,即对题目的分析,转化,建模。Proof 就是解决、证明一个问题高屋建瓴的思路。算法就是解决某类问题的通用解法。所以需要分析 Corner Case,和所有可能的情况。证明的时候,如第一周老师所讲的,可以顺着证明,数学归纳法,证 n = 0 成立,假设 n 成立,再证 n + 1 成立。也可以反证,证其反面不成立。在算法中,这可以是 归纳induction,递归 recursion,以及动态规划 dynamic planning。都是从小到大,从底层到结果的验证。

接下来有了思路,需要明晰这个思路,然后流畅地将其转化为代码。

再来说第二条,分析,转化,和建模的能力,这是最考验思维能力的一个部分。
常见的破题思路可以是,忘记整体,考虑局部。

很多时候或许解题会有思路,啊比如说fb加面那一次,没错你有思路,但是这思路不够简洁,就会导致有很多情况需要考虑,这就会乱,然后你代码就写不出或者写乱了,别人(专指面试官),就会迷了,迷了你就凉了,因为不够简洁而导致在没有在规定的时间内写出来也凉了。那怎么才能不凉,需要简化思路,抓住要害,是的,考虑太复杂往往是没有抓住要害,导致复杂的解法,这就是为啥让人拒的很厉害的数学和物理公式都是很简洁的。
所以需要将问题简化到你能够handle的程度,然后你是个普通人偏 聪明一丢丢的人,所以代表着大多数人都能handle,如果自己也不能handle,说明此代码可读性较差,难理解,不足以使大多数人在短时间内handle。


Reference:
【局部原则:80%的题目都有这个套路(附高频题目分析)】
https://www.1point3acres.com/bbs/thread-580762-1-1.html

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