自定义博客皮肤VIP专享

*博客头图:

格式为PNG、JPG,宽度*高度大于1920*100像素,不超过2MB,主视觉建议放在右侧,请参照线上博客头图

请上传大于1920*100像素的图片!

博客底图:

图片格式为PNG、JPG,不超过1MB,可上下左右平铺至整个背景

栏目图:

图片格式为PNG、JPG,图片宽度*高度为300*38像素,不超过0.5MB

主标题颜色:

RGB颜色,例如:#AFAFAF

Hover:

RGB颜色,例如:#AFAFAF

副标题颜色:

RGB颜色,例如:#AFAFAF

自定义博客皮肤

-+
  • 博客(73)
  • 资源 (5)
  • 收藏
  • 关注

原创 一天学完【操作系统】,两天通过期末考试

本文为【五天带你学完《计算机网络》,期末考试不挂科】的续作,期末不挂科系列之操作系统,感谢各位读者一直以来对笔者的大力支持!!!欢迎广大学子报考河北师范大学软件工程专业!!...

2022-06-05 15:17:26 1182 5

原创 python从入门到提高,这一篇就够了

旅客同志们注意啦,通往 Python王国的G2022次列车,马上就要出发了,请没上车的旅客抓紧上车哦

2022-02-12 00:35:41 1285 9

原创 考前自学系列·计算机组成原理

文章目录创作背景说明希望大家成绩理想第一天创作背景本系列文章基于蒋本珊《计算机组成原理》第3版教材本系列文章创作始于2021.11.25,将止于考试当天本系列文章的所有知识点均来自于作者在创作期间通过自学的个人理解,如有错误,请第一时间指正感谢大家曾经对以下系列的支持:五天带你学完《计算机网络》,期末考试不挂科只用半小时,只用半小时,只用半小时!给自己一个机会!!!看完保你web开发一期末不挂科,老师看了都说好!!!说明由于该系列文章的应试型,将从题目入手

2021-11-25 23:29:30 382

原创 五天带你学完《计算机网络》,期末考试不挂科

欢迎广大学子报考河北师范大学软件工程专业!!!!!!!!本系列文章基于谢希仁《计算机网络》第五版教材并根据上课记录整理而成。感谢各位读者一直以来对于笔者的大力支持!

2021-06-24 16:36:21 9420 7

原创 看完保你web开发一期末不挂科,老师看了都说好

给自己一个机会,拒绝web开发一期末挂科Web开发(一)·期末不挂之第一章·Web开发基础(不背就挂的基础知识)Web开发(一)·期末不挂之第二章·HTML基础一(考试必考冷知识)Web开发(一)·期末不挂之第四章·CSS语法基础(CSS选择器&选择器优先级&各类样式表的使用方法)Web开发(一)·期末不挂之第五章·CSS盒子模型(盒子模型各属性&行级元素和块级元素&导航栏的实现)Web开发(一)·期末不挂之第六章·网页布局(浮动&定位)...

2021-06-16 19:26:11 753

原创 如何提高深度学习的泛化能力?

在样本有限的情况下,采用数据增强的方法对原有样本进行变换:平移、旋转、镜像翻转几何变换、对比度变换、颜色变换、添加随机噪声、图像模糊弹性变换算法:双线性插值、双三次插值在网络的训练过程中,按照预先设定的概率将一部分中间层的单元暂时从网络中丢弃,通过把该单元的输出设置为0使其不工作,来避免过拟合。但是对被舍弃单元进行误差反向传播计算时,仍使用被舍弃之前的原始输出值可用于训练包含全连接层的神经网络训练完后,在识别时使用全部单元。对经过Dropout处理过的层要多乘一次训练时设定的概率(因为训练时舍弃了一部分,这

2023-02-16 10:13:48 607

原创 快速排序+归并排序

【代码】快速排序+归并排序。

2023-01-29 08:57:14 230

原创 【Datewhale一起吃瓜 Task5】啃瓜第六章

神经元接受数据,根据各自权重输入进激活函数,输出值与阈值比较后,得出结果作为该神经元的输出结果多层网络:包括隐层的网络前馈网络:神经元之间不存在同层连接也不存在跨层连接隐层和输出层神经元亦称“功能单元”仅需一个包含足够多神经元的隐层,多层前馈神经网络就能以任意精度逼近任意复杂度的连续函数但是,设置隐层神经元数是未决问题,实际常用试错法误差目标函数中增加描述网络复杂度

2023-01-28 11:07:58 314

原创 【Datewhale一起吃瓜 Task4】啃瓜第五章

在样本空间中寻找一个超平面,将不同类别的样本分开

2023-01-27 10:06:36 816

原创 【Datewhale一起吃瓜 Task3】啃瓜第四章

决策树基于“树”结构进行决策根据训练数据,确定每个节点的划分属性划分停止条件新样本从根节点开始,根据节点属性一步一步往下走,直到叶节点为最终预测结果描述当前样本纯度,信息熵越小,纯度越高描述经过一次划分后获得的收益缺点:对于属性值多的属性有所偏好过程:先从信息增益中找到高于平均水平的,再从中找到增益率高的基尼指数越小,数据集纯度越高验证每个节点划分后前后精度变化,再决定要不要生成这个节点先生成完整的决策树,再由下向上考虑每个节点前后精度变化

2023-01-25 10:40:39 648

原创 【Datewhale一起吃瓜 Task2】啃瓜第三章

找出一条线能够对数据进行划分或预测趋势更适合于连续性的数值,如果数据是离散的如色泽是青绿色,我们需要对特征值进行编码首先我们考虑是否是有序的若有序,如身高的高中低,我们可以编为1,0.5,0若无序,如一共有三种色泽,某种色泽是青绿色,我们可以标为[0 1 0]均方误差最小化,利用最小二乘法找到一组合适的w和b使得均方误差最小在我们求最佳参数的过程中,参数在不断变化,我们对其进行偏导,并让其等于0,这时候参数不再变化,他可能是极大值,也可能是极小值。而均方误差最大值是无穷大,因此极大值是不存在的,求得

2023-01-23 19:33:52 1472

原创 【Datewhale一起吃瓜 Task1】啃瓜第一章+第二章

假设我们有m个样本,我们每次从中取出一个样本,加入到训练集,再将样本放回,进行m次,我们就得到了有m个样本的训练集。假如我们的评价标准发生改变,如在火灾预警上,我们宁愿没有发生火灾,但是发出了预警,也不愿意发生了火灾,但是并没有预警,因为这会让我们损失惨重。我们将数据集划分为K份,每次取其中1份作为测试集,其余K-1份作为训练集和验证集,总共进行K次训练和评估,最终把K次的结果取平均值,作为最终结果。:数据集没有标签,能够将自动将数据根据某一特征划分为一簇一簇,但是我们事先并不知道根据什么划分的。

2023-01-17 21:36:45 671 2

原创 考研408数据结构 · 开端

24考研计算机系列之数据结构 · 序幕

2022-12-07 19:58:30 568

原创 操作系统(八)| 磁盘存储器的管理(索引分配设计的文件大小的计算、位示图的管理【分配和回收】、外存的三种分配方式、空闲表法和空闲链表法)

期末不挂科最新一期之操作系统

2022-06-05 14:38:28 1173 4

原创 操作系统(七)| 文件管理(文件的结构、目录管理的四个要求、目录的检索技术)

期末不挂科最新一期之操作系统

2022-06-04 20:22:01 1180 3

原创 操作系统(六)| 输入输出系统(磁盘调度算法的计算【先来先服务、最短寻道时间优先、SCAN、CSCAN】、I/O控制的方式、I/O通道、设备分配的四个表、假脱机系统、引入缓冲的原因)

期末不挂科最新一期之操作系统

2022-06-04 17:39:30 333 1

原创 操作系统(五)| 虚拟存储器(请求分页和请求分段地址变换详解,页面置换算法【先进先出、LRU、Clock】、虚拟存储器的定义和特征)

期末不挂科最新一期之操作系统

2022-06-04 16:10:06 982 3

原创 操作系统(四)| 存储器管理(基本分页和基本分段的逻辑地址结构、变换、连续分配方式、分区分配算法【首次适应、循环首次适应、最佳适应】、分页和分段的比较、程序装入方式和链接方式)

期末不挂科最新一期之操作系统

2022-06-04 10:26:58 574 1

原创 作业调度算法【平均周转时间、平均带权周转时间、先来先服务FCFS、短作业优先SJF、高优先权(级)算法FPF、高响应比优先算法HRRN】

期末考试不挂科最新一期之操作系统

2022-04-15 20:48:02 11627 2

原创 操作系统(三)| 处理机调度(各种作业调度算法、银行家算法、三级调度、死锁产生原因和必要条件、处理死锁的方法、死锁定理的作用、实时调度算法)

期末考试不挂科最新一期之操作系统

2022-04-15 20:16:00 1307 1

原创 经典进程的同步问题(生产者--消费者问题、哲学家进餐问题、读者--写者问题)

期末考试不挂科最新系列之操作系统

2022-04-02 17:50:55 2798 2

原创 进程同步详解(进程同步机制遵循规则、信号量机制、信号量的应用,经典进程同步问题)

期末考试不挂科系列最新一期之操作系统

2022-03-29 17:30:46 774

原创 操作系统(二 )| 进程(概念、特征、状态、进程控制、进程同步机制、信号量应用、同步机制遵循规则、程序执行特点、线程引入目的、与进程的区别)

期末考试不挂科系列最新一期之操作系统

2022-03-26 21:44:14 1181 1

原创 操作系统(一)| 操作系统简介(定义、发展过程、基本特性、主要功能、目标和作用)

期末考试不挂科最新一期之操作系统

2022-03-26 21:41:37 1343 2

原创 好好学python·集合

集合数据类型详解-集合集合的定义集合的基本操作和常规函数冰冻集合(了解)集合的推导式集合的运算集合的主要运算集合检测数据类型详解-集合确定的一组无序的数据的组合集合中元素的值不能重复由多个数据组合的复合型数据(容器类型数据)无序功能:成员检测、从序列中去除重复项以及数学中的集合类计算,例如交集、并集、差集与对称差集等等。集合的定义可以直接使用 {} 来定义集合可以使用set()进行集合的定义和转换使用集合推导式完成集合的定义注意:集合中的元素不能重复,集合中存放的数据:Nu

2022-01-02 11:29:57 91

原创 NameError: global name ‘***‘ is not defined

错误示范class Solution(object): def fib(self,n): """ :type n: int :rtype: int """ while(n>0): if(n==1 or n==2): return 1 else: return fib(n-1)+fib(n-2)#错误处

2021-12-23 13:08:32 2867

原创 期末不挂科のJAVA

文章目录JAVA主要特征JAVA名词解释JAVA输出JAVA输入JAVA标识符(命名字符)数据类型基本类型引用类型JAVA主要特征面向对象分布式跨平台更安全JAVA名词解释JRE(运行环境)包括JAVA虚拟机和JAVA程序所需的核心类库JDK(开发工具包)JDK是提供给JAVA开发人员使用的,其中包含了JAVA的开发工具,也包括了JRE。JVM(虚拟机)Java程序不是直接运行在操作系统上,而是运行在JVM上。JAVAEE(企业版)是为开发企业环境下的应用程

2021-12-19 22:33:29 1132 1

原创 考前自学系列·计算机组成原理·存储器画图

64K×8的CPU由8K×8的芯片组成,地址线A0 ~ A19,数据线D0 ~ D7

2021-12-09 13:43:27 4940 2

原创 考前自学系列·计算机组成原理·查询方式/中断方式/DMA方式的适用范围及判断

适用范围查询方式:适合于工作不太繁忙的系统;中断方式:适合于CPU任务比较忙的情况下,尤其适合实时控制和紧急事件的处理;DMA方式:适合于需要高速而又频繁地与存储器进行批量的数据交换的I/O设备。判断程序中断方式能提高CPU利用率,所以在设置了中断方式后就没有再应用程序查询的必要了?不正确。程序查询方式接口简单,可用于外设与主机速度相差不大,且外设数量很少的情况下DMA方式能处理高速外部设备与主存间的数据传送,高速工作性能往往能覆盖低速工作要求,所以DMA方式可以完全取代程序中断方式?不正确

2021-12-09 11:59:34 2713

原创 考前自学系列·计算机组成原理·中央处理器知识点

伪指令的操作控制字段的编码方法:主要为字段直接编码法主机中具有对指令进行编码的器件控制器CPU中存放下一条地址的器件名称PC主存在CPU外,控存在CPU内主存用RAM和ROM实现,控存用ROM实现控存按地址访问主存存储指令和数据,控存存储微指令微程序控制器中,机器指令与微指令的关系是每一条机器指令由一段用微指令编成的微程序来执行在CPU处理的程序中,构成控制序列的最小单位是微操作冯·诺依曼计算机中的指令和数据均以二进制形式存放在存储器中,CPU区分他们的依据是指令周期的不同阶段硬布线控.

2021-12-09 11:49:54 262

原创 考前自学系列·计算机组成原理·控制器的组成及各部分的功能

指令部件:取指令并分析指令时序部件:用来产生时序信号,以保证机器的各功能部件有节奏地进行数据传送、加工及存储微操作信号发生器:产生控制整个计算机系统所需的各种控制信号中断控制逻辑:用来控制终端处理的硬件逻辑...

2021-12-09 11:32:18 632

原创 考前自学系列·计算机组成原理·补码定点加减运算和溢出判断,浮点数的加减运算,原码的乘法

补码定点加减运算和溢出判断浮点数的加减运算原码乘法

2021-12-09 11:15:00 342

原创 考前自学系列·计算机组成原理·常见的数据寻址方式(地址码,操作数位置)

立即寻址:操作数直接在指令代码中给出,指令的执行速度很快间接寻址:操作数在存储器中,指令中给出的地址码字段存放操作数地址的地址直接寻址:操作数在存储器中,指令中的地址码字段存放操作数的地址寄存器寻址:操作数在寄存器中,地址码字段给出寄存器的编号寄存器间接寻址操作数在存储器中,地址码中位寄存器编号,寄存器中为操作数地址地址码操作数位置寻址方式操作数指令立即寻址操作数地址的地址主存单元间接寻址操作数地址主存单元直接寻址..

2021-12-08 20:01:10 2834

原创 考前自学系列·计算机组成原理·IEEE 754 单精度浮点数和真值之间的转化

将十进制数 -0.625 转换为IEEE754的单精度32位浮点数格式,最后格式用十六进制表示 BF200000H

2021-12-08 19:25:37 3106

原创 考前自学系列·计算机组成原理·不同形式的机器数的取值范围

2021-12-08 18:58:40 264

原创 考前自学系列·计算机组成原理·微程序微指令微命令微操作

你要知道这些

2021-11-26 10:37:37 3053

原创 十分钟学会哈希表

为什么会有哈希表?是想不通过比较就能找到表中的关键字用的什么方法?建立关键字与其位置的函数(哈希函数)有什么问题?不同的关键字通过哈希函数可能会产生相同的位置(产生冲突)怎么解决?按某种规则,把产生冲突的关键字放在其他位置上(处理冲突)怎么构建哈希表?建立哈希函数。最常用的构造方法是除留系数法产生冲突的关键字地址 = key Mod p (p<=表长且为质数)怎么处理冲突?...

2021-11-26 10:03:55 375

原创 考前自学系列·计算机组成原理·时钟周期、状态周期、机器周期、指令周期

一、你需要知道这些时钟周期时钟周期是计算机中最基本最小的时间单位在一个时钟周期里,CPU仅完成一个基本的动作(微操作)时钟周期 = 1/主频 (在相同情况下,主频越大,运算性能越好)状态周期状态周期 = 时钟周期 × 2机器周期完成一个基本操作(如取指,写操作,读操作等)所需要的时间机器周期 = 1个机器周期所包含的时钟周期数 / 主频指令周期取出并完成一条指令所需要的时间指令周期 = n个时钟周期平均指令周期 = 1/平均指令执行速度二、答案(1)2μ.

2021-11-25 21:45:04 3744 1

原创 通俗理解卡尔曼滤波

文章目录一、卡尔曼滤波有什么用?二、卡尔曼滤波是什么?状态观察器(1)状态观察器有什么作用?(2)状态观察器的组成2.读入数据总结卡尔曼滤波(Kalman filtering)是一种利用线性系统状态方程,通过系统输入输出观测数据,对系统状态进行最优估计的算法。由于观测数据中包括系统中的噪声和干扰的影响,所以最优估计也可看作是滤波过程。一、卡尔曼滤波有什么用?数据A不能直接测量的情况下,使用卡尔曼滤波器通过数据B预测数据A通过传感器等测量数据有误差时,通过卡尔曼滤波器进行优化,减小误差二

2021-11-16 15:10:53 2399

原创 头插法和尾插法分别建立链表(复制即可应用)

//头插法建立链表#include <stdio.h>#include <malloc.h>typedef struct Node{ int data; struct Node* next;}Node;int main(void){ int i; Node* head,*p=NULL; head=(Node*)malloc(sizeof(Node)); head->next=p; for(i=0;i<4;i++){ p=(Node*)mallo

2021-09-18 08:55:22 122

基于SVM的石家庄奶茶店选址(数据爬取+清洗+训练模型+效果输出)

全网最细,作者原创 本资源作者进行了为期一个月的闭关写代码,耗费了大量心血,希望对各位同僚有所帮助 包括 1. 通过高德地图对石家庄本地数据,如各类奶茶店、学校、写字楼、地铁站、火车站、公交车站数据的爬取 2. 对数据进行清洗分类 3. 对地区进行网格划分 4. 对网格内各类数据进行统计形成训练数据集 5. 对训练数据集采用严格的机器学习流程进行清洗 6. 基于SVM模型,对地区内网格进行预测 7. 在地图上可视化输出结果 如有问题,各位可以私信我,我将耐心解答 欢迎大家持续关注我的博客!

2023-01-16

基于随机森林和bagging的鸢尾花分类(基于sklearn库)

1. 原始数据集的获取。 使用SCIKIT-LEARN的自带的鸢尾花数据集,获取原始鸢尾花数据集。 2.模型的评价方式之一--基于oob_score的模型性能评价 以整个鸢尾花数据集为训练集,分别考察: (1) 决策树数目=10,100,500三种情况下,随机森林的分类性能,性能评价采用: RandomForestClassifier模型的属性“oob_score” (2) 决策树数目=10,100,500三种情况下,bagging模型的分类性能,性能评价采用: BaggingClassifier模型的属性“oob_score” 3. 模型评价方式之二--基于交叉验证的集成模型性能评价 将原始数据集按照类别分层随机打乱,分成K=5等分. (1) 采用K-折交叉验证平均预测错误率(及标准差)为评价指标,分别考察决策树数目=10,100,500三种情况下,随机森林模型的分类性能。 (2) 采用K-折交叉验证平均预测错误率(及标准差)为评价指标,分别考察决策树数目=10,100,500三种情况下,bagging模型的分类性能。

2022-04-27

二维空间基于Cart分类树的鸢尾花分类(基于sklearn库)

1.数据集的获取。 使用SCIKIT-LEARN的自带的鸢尾花数据集,获取该数据集150个样本的后两个特征及相应类别标签。 2.数据集的最小包围盒的获取,以及数据集的划分。 (1)获取原始二维空间中150个样本的最小包围矩形[x1_min, x1_max]*[x2_min,x2_max],并记录有关参数值。 (2)将数据集按照类别标签分层随机打乱,基于hold-out法,构建训练集(80%)与测试集(20%) 3. 模型的学习。 利用训练集,学习两种复杂程度不同的CART分类树,可视化两个分类树的学习结果。 4. 基于测试集的分类树的评价。 (1)结合测试集各样本的类别预测结果及真实类别答案,生成混淆矩阵,并可视化混淆矩阵 (2)基于混淆矩阵,估计每个类别的查准率、查全率、F1值,以及宏查准率、宏查全率、宏F1值;估计总体预测正确率. 5. 分类树的使用。 (1)在原始二维空间的矩形区域[x1_min-1, x1_max+1]*[x2_min-1,x2_max+1]内,分别在水平、垂直方向以0.02为间隔,细分生成离散格子点。 (2)分别以每个格子点作为一个待决策样本,对其分类

2022-04-27

基于sklearn库的数据获取,探索及其可视化

1. 数据集的获取。 使用SCIKIT-LEARN自带的数据读取函数load_wine(),获取原始葡萄酒数据集。 2. 获取数据集内,样本数目、类别数目,各类样本数目 3. 样本集基本信息获取: (1)获取并输出该数据集的类别信息(含:类别数目,类别名称); (2)获取数据集的特征数目、特征名称;样本数目、各类别样本数目。 4.样本集的描述统计,获取并输出显示样本集内每个特征的描述性统计指标 包括:均值、标准差、最小值、最大值、第1四分位、第2四分位、第3四分位。 5. 认识每一种特征的分布情况 (1)估计每个特征分布的斜度 (2)以单变量直方图形式可视化样本集关于每个特征取值的分布情况 (3)以单变量密度曲线方式可视化每个特征的分布 6. 了解任意一对特征之间的线性相关程度: (1)估计任意一对特征之间的相关系数,得到相关系数矩阵,并进行可视化; (2)绘制散点矩阵,借助散点矩阵,理解两特征之间的线性相关性 7. 基于箱式图的各特征取值分布的可视化,理解各特征关于不同类别样本的类鉴别特性:针对每个特征,基于原始样本集及其类别信息,在相同的图形窗口,绘制箱型图

2022-04-27

机器学习KNN实践—鸢尾花分类(基于sklearn库)

利用Python实现KNN算法,完成鸢尾花分类任务,实现步骤: 1. 数据集的准备。 (1)使用SCIKIT-LEARN的自带的鸢尾花数据集,获取数据集的后两个特征,形成原始数据集D。 (2)待决策样本集D1的产生:在原始二维特征空间,基于该数据集的两种特征取值的最小值、最大值,获取该数据集的矩形包围盒,并在该的矩形区域上下左右各个方向扩充1的基础上,以step=0.02为两种特征的采样间隔,在该矩形区域等间隔抽取离散位置,构成原始待决策的样本集D1。 (3)训练集与测试集的产生:将原始数据集D按照类别分层随机打乱,以hold-out方式划分为训练集(80%),以及测试集(20%) 2. 模型的选择 训练集的规范化预处理,并记录预处理使用的参数。 3. 基于测试集的K-近邻分类模型的评价。 (1)对测试集的每个样本进行预处理; (2)基于K值优选结果(或你设定的K值),对预处理之后的每个测试样本进行类别预测,得到所有测试样本的类别预测结果。 (3)结合测试集各样本的类别预测结果及真实类别答案,生成混淆矩阵,并可视化混淆矩阵 .... 4.K-近邻分类模型的使用。 .....

2022-04-27

机器学习经典算法KNN模型(纯原生python实现)

目前AI人才竞争越来越激烈,“调参侠”的时代已慢慢过去,这些事情其实根本不需要AI工程师来做,未来的研发工程师就可以承担这些了! 几年前如果熟练使用TensorFlow,同时掌握基本的AI算法就可以很容易找到一份高薪的工作,但现在不一样了,AI岗位的要求越来越高,对知识的深度也提出了更高的要求。 要想跟上时代,得武装自己,才能不被淘汰。 本篇资源将手把手教你用纯原生python代码写出KNN,即使你是零基础小白也没有关系,你将从以下几个方面来深层次全方位学习经典分类模型KNN 包括: 怎么打开文件? 怎么进行数据预处理? 怎么使用欧氏距离计算? 怎么找出K个近邻? 怎么通过等权投票的方式选出最佳? 怎么评价模型? 所谓“知其然,知其所以然”,希望我们都能学习过程中,逐渐成为更好的自己!

2022-04-27

TA创建的收藏夹 TA关注的收藏夹

TA关注的人

提示
确定要删除当前文章?
取消 删除