第十三周项目 2 成绩处理

/*
 * Copyright (c) 2014, 烟台大学计算机学院
 * All rights reserved.
 * 文件名称 :main.cpp
 * 作    者 :韩娟
  完成日期 :2014年11月20日
 * 版 本 号 :v1.0
 *
 * 问题描述 : 成绩处理,输入小组人数,分数,输出小组最高分,最低分,平均分,考的最高/低分成绩的人数以及他们的编号,以及所有同学成绩的标准偏差
 * 输入描述 : 输入小组人数,分数
 * 程序输出 : 输出小组最高分,最低分,平均分,考的最高/低分成绩的人数以及他们的编号,以及所有同学成绩的标准偏差
 */
#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,minscore=101,maxscore=-1,average,sum=0,maxnumber=0,minnumber=0,y,S;
    cout<<"小组共有人数为:";
    cin>>num;//小组人数
    cout<<"请输入学生成绩:"<<endl;
    for(i=1; i<=num; ++i)
    {
        cout<<"第"<<i<<"位同学的成绩为:";
        cin>>score[i];
        if(score[i]>100||score[i]<0)
            --i;
    }//输入num名同学的成绩

    for(i=1; i<=num; ++i)
    {
        if(score[i]>maxscore)
        {
            maxscore=score[i];
        }
        if(score[i]<minscore)
        {
            minscore=score[i];
        }
        sum+=score[i];
        average=sum/num;
    }

    cout<<"最高成绩为:"<<maxscore<<endl;
    cout<<"最低成绩为:"<<minscore<<endl;
    cout<<"平均成绩为:"<<average<<endl;//求出并输出最高成绩、最低成绩和平均成绩
    for(i=1; i<=num; ++i)
    {
        if(score[i]==maxscore)
            maxnumber++;
        if(score[i]==minscore)
            minnumber++;
    }
    cout<<"考的最高分的人数为:"<<maxnumber<<endl;
    cout<<"考的最低分的人数为:"<<minnumber<<endl;
    for(i=1; i<=num; ++i)
    {
        if(score[i]==maxscore)
            cout<<"考的最高分同学的号数为:"<<i<<endl;
        if(score[i]==minscore)
            cout<<"考的最低分同学的号数位:"<<i<<endl ;
    }//求出并输出考得最高成绩和最低成绩人数以及学号
    for(i=1; i<=num; ++i)
    {
        y=(score[i]-average)*(score[i]-average);
        sum+=y;
    }
    S=sqrt(sum/(num-1));
    cout<<"这组同学的标准偏差为:"<<S<<endl;//求出并输出标准偏差(选做)
    return 0;
}


知识点总结 :

   这个程序还是有点麻烦的,需要用的数组的一些应用,主要是要明白数组的用法是非常关键的。

学习心得 :

   正在多多练习掌握数组的用法!

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