算法基础
un_lock
这个作者很懒,什么都没留下…
展开
-
win32+win64+linuxi686+linuxx86_64不同数据类型所占位数
win32+win64+linuxi686+linuxx86_64不同数据类型所占位数原创 2023-02-10 11:52:29 · 213 阅读 · 0 评论 -
国企程序员的幸福指数
【代码】国企程序员的幸福指数。原创 2022-11-14 10:54:13 · 341 阅读 · 3 评论 -
(单引号&双引号)‘s difference in C++
【代码】(单引号&双引号)‘s difference in C++原创 2022-10-19 15:23:29 · 209 阅读 · 1 评论 -
数据结构五分钟精通 之 正则表达式(Python)
⭐1、re.search() re.match() re.findall() re.finditer() 不是直接返回查找到的内容or查找到的位置,而是返回一个匹配的对象。⭐2、span()函数返回的是,匹配到的起始位置和结束位置。(包括起始,不包括结束----[3,5) )⭐3、group()函数直接返回,匹配到的内容。原创 2022-10-19 08:59:05 · 705 阅读 · 1 评论 -
三分钟入门电力系统之----------三道防线
三分钟入门电力系统之三道防线原创 2022-09-30 14:32:34 · 3742 阅读 · 0 评论 -
十大排序算法之动态图详解
排序算法可以分为内部排序和外部排序,内部排序是数据记录在内存中进行排序,而外部排序是因排序的数据很大,一次不能容纳全部的排序记录,在排序过程中需要访问外存。常见的内部排序算法有:插入排序、希尔排序、选择排序、冒泡排序、归并排序、快速排序、堆排序、基数排序等。用一张图概括:...原创 2022-06-24 14:53:11 · 190 阅读 · 0 评论 -
TensorFlow-paddle & pytorch-paddle接口对应表
TensorFlow-paddle 接口对应地址https://github.com/PaddlePaddle/X2Paddle/tree/master/tensorflow2fluid/docpytorch-paddle接口对应表https://www.paddlepaddle.org.cn/documentation/docs/zh/guides/08_api_mapping/pytorch_api_mapping_cn.html#apiPaddle 1.8 与 Paddle 2.0 API原创 2022-01-20 17:00:04 · 862 阅读 · 0 评论 -
Chrome 截长图 and 截取整个网页+无需任何辅助工具 windows+ios
capture full size screenshop原创 2022-01-17 17:17:13 · 1825 阅读 · 0 评论 -
Paddle_程序员必备的数学知识_转发
程序员——必备数学知识!!!Attention 本博客转发至百度aistudio的<深度学习7日入门-cv疫情检测>,课程非常棒!本人力推!博客转发地址:https://aistudio.baidu.com/aistudio/projectdetail/604807课程报名地址:https://aistudio.baidu.com/aistudio/education/group/info/1149如有侵权,请联系博主进行删除.数学基础知识数据科学需要一定的数学基础,但仅仅做应用的话,如果时转载 2020-07-01 09:22:31 · 436 阅读 · 0 评论 -
一篇博客入门pandas模块
一篇blog入门pandaspandas之于python就犹如屠龙刀之于江湖,没有pandas的python之路注定是艰难的,而pandas的知识点兼具复杂和多样这篇文章将带领我们入门pandas,让我们学会基础的数据处理。话不多说,上代码import pandas as pdimport numpy as npobj = pd.Series([4,7,-5,3])objout:0 41 72 -53 3dtype: int64就像numpy的array原创 2020-06-27 16:00:52 · 241 阅读 · 0 评论 -
分类预测&聚类
分类预测&聚类分类和聚类的不同,点击进行学习。分类概念建立模型,描述预定的数据类集或概念集;之后使用模型进行分类。预测构造和使用模型评估无标号样本类,或评估给定样本可能具有的属性值或值区间。有监督学习(分类)训练集是带有类标签的新的数据是基于训练集进行分类的无监督学习(聚类)训练集是没有类标签的提供一组属性,然后寻找出训练集中存在类别或者聚集。关于分类和预测的问题数据准备数据清洗:对数据进行预处理,消除噪音和丢失值相关性分析(属性选择):去掉不相关或者冗余原创 2020-06-01 22:33:10 · 4960 阅读 · 0 评论 -
数据预处理与关联
数据预处理与关联数据质量的含义正确性一致性完整性可靠性在建立数据仓库的时候,由于各种原因造成里数据错误的不可避免性,所以便需要对数据进行预处理。形式数据清理缺失值:忽略、人工填写、全局变量填充、属性平均值填充、最可能值填充、所有同类样本平均值填充。噪声数据:分箱(按箱平均值、按箱中指、按箱边界)、聚类、回归、计算机和人工检查结合数据集成实体识别属性冗余数据重复数据值冲突的检测与处理数据交换平滑聚类数据概化规范化属性构造数据归约关联管理原创 2020-06-01 21:32:45 · 879 阅读 · 0 评论 -
数据挖掘和数据仓库
数据挖掘和数据仓库数据挖掘概念基于AI、机器学习、统计学等技术,高度自动化的分析原有数据,进行归纳推理,从数据仓库中提取可信的、新颖的、有效的、人们感兴趣的、别人能理解的知识的高级处理过程。模式分类:预测性模式或描述性模式实际应用中可细分为:关联模式、分类模式、聚类模式、序列模式目的提高市场的决策能力,检测异常模式,在过去经验的基础上预言未来的趋势。在数据库中找规律步骤:数据准备数据集成数据选择预分析挖掘过程:数据的选择:选择相关的数据数据的精华 :消除噪音、原创 2020-06-01 21:28:12 · 866 阅读 · 0 评论 -
Difference between 分类and聚类
Difference between 分类and聚类A:分类聚类是否监督有监督学习无监督学习任务find模型,数据标签一一对应相似的数据聚在一起数学类比已知x,y求f已知x,求f分类是机器学习中的一项非常重要的任务,利用分类技术可以从数据集中提取描述数据类的一个函数或模型(也常称为分类器),并把数据集中的每个对象归结到某个已知的对象类中。从某种意义上讲数据挖掘的目标就是根据样本数据形成的模型并对源数据进行分类,进而也可以预测未来数据的归类。分类和原创 2020-05-25 14:49:19 · 705 阅读 · 0 评论 -
图像识别实战(三)----DNN讲解及代码实现
图像识别实战(三)----DNN讲解及代码实现DNN-----Deep Neural Networks------深度神经网络代码实现class MyDNN(fluid.dygraph.Layer): def __init__(self): super(MyDNN,self).__init__() self.hidden1 = Linear(100,65,act='relu') self.hidden2 = Linear(65,65,act='r原创 2020-05-20 11:03:09 · 4322 阅读 · 8 评论 -
图像识别实战(二)----读取数据reader
图像识别实战(二)----读取数据reader从本地、网络、分布式文件系统HDFS等读取文件,同时也可随机生成数据,并返回一个或多个数据项。reader的实质是一个迭代器(yield),每次返回一个数据创建readerreader = paddle.dataset.uci_housing.train()但是很多数据集非常规范,即所有相同的标签存在聚集效应,这就造成了,模型训练某一个标签的时候要不就全部训练,要不就一点也训练不了,为了解决这一问题就有了shuffle_reader()&b原创 2020-05-17 21:22:14 · 862 阅读 · 0 评论 -
机器学习算法-----K-means 聚类
K-means 聚类(k聚类)提前知道:簇分类中的类所以k聚类,就是发现给定数据集中k个簇的算法。(k是用户定义的)基础的聚类算法**k-means:**它试图发现k个不同的簇,并且每个簇的中心采用簇中所含值得均值计算而成。**层次聚类:**它试图再不同层次对数据集进行划分,从而形成树形的聚类结构**DBSCAN:**基于密度聚类算法,簇的个数由算法自动地确定。低密度区域中的点被视...原创 2020-05-07 14:46:27 · 324 阅读 · 0 评论 -
K-means 聚类
K-means 聚类(k聚类)提前知道:簇分类中的类所以k聚类,就是发现给定数据集中k个簇的算法。(k是用户定义的)作用(应用领域):分类。有无监督无监督学习步骤:确定k值,即分类的类别数根据k值,随机选取k个点,作为中心点。分别计算其余各个点到着k个点的距离。对于每一个非中心点,找到离它最近的中心点,并归为一个簇。计算每个簇中所有节点的平均值,作为新的中心点,并重复上述...原创 2020-05-07 14:39:52 · 330 阅读 · 0 评论