qq_51347024的博客

五一到了，ACM队组织大家去登山观光，队员们发现山上一共有 N个景点，并且决定按照顺序来浏览这些景点，即每次所浏览景点的编号都要。前一个浏览景点的编号同时队员们还有另一个登山习惯，就是不连续浏览海拔相同的两个景点，并且一旦。队员们希望在满足上面条件的同时，尽可能多的浏览景点，你能帮他们找出最多可能浏览的景点数么？求一个数组的最大值： Arrays.stream(list).max.getASInt()第二行包含 N个整数，表示每个景点的海拔。输出一个整数，表示最多能浏览的景点数。

数据库部分的重点

对于有基础的小伙伴进行观看

其目标是使智能体在与环境的交互中获得最大的长期奖励。在这个问题中，最优解是两人沉默（上帝视角），实际倾向于选择同时认罪（均衡解）交互的过程中学习最优的行为策略。在强化学习中，智能体通过观察环境的。参与者所作出的一种策略组合，任何参与者单独改变策略都不会得到好处。Q-learning算法直接记录和更新动作-价值函数、静态博弈、动态博弈：参与者同不同时，参与者知不知道。完全信息博弈、不完全信息博弈：参与者知不知道。合作博弈、非合作博弈：参与者合不合作。只有动作-价值函数、无价值函数。学习中的探索与利用的平衡。

为了使边缘位置的图像像素点也参与卷积滤波，Padding技术被提出，使得卷积后的图像分辨率和卷积前图像分辨率一致。将输入值的分布标准化，变为均值0，方差1的标准正态分布，在激活函数的映射下到梯度较大的区域，使得梯度变大，，使得将误差分摊为各层所有单元，从而获得各层单元所产生的误差，再通过梯度下降对参数进行更新。做法：让卷积核在卷积图像移动步长大小跳过一些像素，即为卷积滤波，默认为1。在反向传播权重时，不更新与该神经元（被舍弃的）相关的权重（暂时不更新）目的：卷积后的图像分辨率与卷积前的图像减小、即约减。

1.数据集是给定带有无标签信息2.关注数据特征，利用相似度函数等，挖掘数据中有价值的有用信息3.应用于聚类或降维任务中。

在简单无向图G中取得的结点均不能形成边（即S中任意两点均不相邻），任意结点加入后不再是独立集，必然是一个极大独立集。

定义：是一种通过树形结构来进行分类的方法，决策树可以看作是一系列以叶子结点为输出的决策规则。

可平面图：若图G（可能交叉）可嵌入平面（能在平面画出图示的关系），则称G是可平面图（不一定是平面嵌入）平面嵌入（n个）：可平面图G在平面上画出的无交叉边的图示（可以有曲线）平面图（平面嵌入的一个，n个是同构的）：可平面图的任何一个平面嵌入都称为一个平面图例子图e不是可平面图，即为不可平面图。

已经扩展的结点还可以继续扩展，每次选择最小f(n)进行扩展。

图论第二章

最短路径Floyd Warshall算法

由于目前的flod算法是利用三个for循环，通过每个结点作为中间结点，去得到各个结点之间的最短路径，这种O(n**3)的算法也被叫做Flod-warshall算法。然而，在最初的flod算法是通过不断的矩阵之间的乘积，更新跳数，去得到各个结点的最短路径。

总结：Dijkstra算法就是最开始选离源点V0最近的点，然后选好点后，再从选好点的看其邻接点的距离dist[]是否减小，减小就修改dist[]（到源点距离）和path[]（前驱节点）；更新距离：对于当前节点的所有相邻节点，计算通过当前节点到达这些节点的距离，并更新它们的距离值。如果通过当前节点到达某个节点的距离比之前记录的距离要小，则更新该节点的距离值。对于其他未访问的节点，将其到源节点的距离标记为无穷大。选择最短距离节点：从未访问的节点中选择距离最短的节点作为当前节点，并将其标记为已访问。

3.找到第二个最小的边的权重是12，连接的是2和3，现在我们把这两条边连起来，并且合并在一个集合里面。1.把所有的边进行排序，排完序后的边的权值是：10 12 14 16 18 22 24 25 28。2.先找到的是权值10的边的两个顶点是0和5，先将0和5这两条边合在一个集合里面，并且连上一条边。6.这个时候权值是18，注意一下，因为6和3已经在一个集合里面，我们就直接跳过，不用处理。这个就是最小生成树的生成过程，可以用个res记录每次加入边时候的权值，就能得到最小的权值。对于N条顶点，有N-1条边。

西瓜书第十章降维KNN算法（10邻居）代码复现

【代码】西瓜书第七章贝叶斯代码复现。