- 博客(19)
- 收藏
- 关注
RSS订阅原创 最短路径介绍
方法负边负环适用图类型时间复杂度Dijkstra❌❌非负权图O(E log V)✅❌有负边图O(VE)SPFA✅❌有负边图平均 O(V+E)✅❌多源稠密图O(V³)BFS✔️（无权）所有边权为1O(V + E)0-1 BFS✅（0/1）❌0/1 权图O(V + E)A*❌❌有启发函数看启发函数。
2025-04-14 21:37:11
609
原创 力扣-数据结构-双指针
图中垂直线代表输入数组 [1,8,6,2,5,4,8,3,7]。在此情况下，容器能够容纳水（表示为蓝色部分）的最大值为 49。轴共同构成的容器可以容纳最多的水。找出其中的两条线，使得它们与。返回容器可以储存的最大水量。
2025-04-13 20:42:27
240
原创 十分钟机器学习之--------------线性回归
线性回归（linear regression）是一种基于数学模型的算法，首先假设数据集与标签之间存在线性关系，然后简历线性模型求解参数。在实际生活中，线性回归算法因为其简单容易计算，在统计学经济学等领域都有广泛的应用，所以也作为工业界常用的模型。
2025-04-10 21:34:58
895
原创 傅里叶变换
本来想写一篇记录自己的学习历程，在网上搜集前人的经验发现一篇高赞回答，贴在这里。谨以此文献给大连海事大学的吴楠老师，柳晓鸣老师，王新年老师以及张晶泊老师。如果还能保留文章来源就更感激不尽了。知乎专栏：与时间无关的故事。应文章要求保留下面的内容。知 乎：Heinrich。微 博：@花生油工人。
2025-04-09 21:47:01
208
原创 力扣-数据结构--动态规划--（持续更新）
你是一个专业的小偷，计划偷窃沿街的房屋。每间房内都藏有一定的现金，影响你偷窃的唯一制约因素就是相邻的房屋装有相互连通的防盗系统，偷窃 1 号房屋 (金额 = 2), 偷窃 3 号房屋 (金额 = 9)，接着偷窃 5 号房屋 (金额 = 1)。偷窃 1 号房屋 (金额 = 1) ，然后偷窃 3 号房屋 (金额 = 3)。偷窃到的最高金额 = 2 + 9 + 1 = 12。偷窃到的最高金额 = 1 + 3 = 4。给定一个代表每个房屋存放金额的非负整数数组，计算你。，一夜之内能够偷窃到的最高金额。
2025-04-08 20:43:11
583
原创 力扣-数据结构-栈相关
输入字符串中没有额外的空格，且输入的方括号总是符合格式要求的。个非负整数，用来表示柱状图中各个柱子的高度。天，下一个更高温度出现在几天后。此外，你可以认为原始数据不包含数字，所有的数字只表示重复的次数。--> 返回 -3.--> 返回 -2.给定一个经过编码的字符串，返回它解码后的字符串。求在该柱状图中，能够勾勒出来的矩形的最大面积。操作，并能在常数时间内检索到最小元素的栈。最大的矩形为图中红色区域，面积为 10。，表示每天的温度，返回一个数组。，表示其中方括号内部的。
2025-04-07 19:31:32
1436
原创 图论相关（BFS/DFS）
BFS适合最短路径问题层次遍历和广度遍历，尤其是在没有权重的图中查找最短路径时。DFS适合环检测拓扑排序路径查找和图的遍历，尤其在需要深入探索某一方向时比较合适。场景使用 BFS使用 DFS最短路径（无权图）最短路径问题，逐层搜索最短路径。不保证最短路径。环检测需要额外的标记，通常不推荐。检测有向图中的环，使用递归栈判断。拓扑排序（DAG）Kahn 算法（BFS）也可以，通常 DFS 更常用。通过深度遍历，可以直接得到拓扑顺序。路径查找如果需要最短路径，BFS 更合适。
2025-04-05 23:34:01
924
原创 力扣-数据结构-矩阵部分
旋转图像，这意味着你需要直接修改输入的二维矩阵。请你将图像顺时针旋转 90 度。，则将其所在行和列的所有元素都设为。编写一个高效的算法来搜索。，返回矩阵中的所有元素。使用另一个矩阵来旋转图像。的矩阵，如果一个元素为。
2025-04-01 22:17:22
891
原创 力扣-数据结构-哈希
因为 nums[0] + nums[1] == 9 ，返回 [0, 1]。你可以假设每种输入只会对应一个答案，并且你不能使用两次相同的元素。，找出数字连续的最长序列（不要求序列元素在原数组中连续）的长度。最长数字连续序列是 [1, 2, 3, 4]。是由重新排列源单词的所有字母得到的一个新单词。可以按任意顺序返回结果列表。整数，并返回它们的数组下标。给你一个字符串数组，请你将。请你设计并实现时间复杂度为。你可以按任意顺序返回答案。给定一个未排序的整数数组。，请你在该数组中找出。
2025-03-31 12:32:24
678
原创 QP问题（二次规划）
（Quadratic Programming, QP）是一类优化问题，其目标函数是，约束条件是。其中：x 是需要优化的变量（向量）。Q 是二次项系数矩阵（通常是对称正定矩阵）。c 是线性项的系数向量。A,b,E,d是约束矩阵和向量。
2025-03-27 21:34:26
288
原创 NP问题（非确定性多项式时间）
如果一个问题既在 NP 类别中，又是 NP-hard（NP 困难），那么它就是 NP 完全问题，意味着目前没有已知的多项式时间解法（但可以在多项式时间内验证解是否正确）。：判断给定的布尔表达式是否存在满足所有逻辑条件的变量赋值。是否正确的问题，但不一定能在多项式时间内求解。NP 是计算复杂性理论中的一个。：给定一组城市，求一条。
2025-03-27 21:28:55
137
原创 力扣-数据结构-链表
请注意相交节点的值不为 1，因为在链表 A 和链表 B 之中值为 1 的节点 (A 中第二个节点和 B 中第三个节点) 是不同的节点。换句话说，它们在内存中指向两个不同的位置，而链表 A 和链表 B 中值为 8 的节点 (A 中第三个节点，B 中第四个节点) 在内存中指向相同的位置。从各自的表头开始算起，链表 A 为 [4,1,8,4,5]，链表 B 为 [5,6,1,8,4,5]。从各自的表头开始算起，链表 A 为 [1,9,1,2,4]，链表 B 为 [3,2,4]。- 相交的起始节点的值。
2025-03-26 22:42:18
678
原创 资源大合集
随着深度学习的发展，使用深度学习解决相关通信领域问题的研究也越来越多。作为一名通信专业的研究生，如果实验室没有相关方向的代码积累，入门并深入一个新的方向会十分艰难。同时，大部分通信领域的论文不会提供开源代码，reproducible research比较困难。基于深度学习的通信论文这几年飞速增加，明显能感觉这些论文的作者更具开源精神。本项目专注于整理在通信中应用深度学习，并公开了相关源代码的论文。个人关注的领域和精力有限，这个列表不会那么完整。，为community贡献一份力量。欢迎交流^_^
2025-03-26 22:32:15
242
原创 machine learning 中 频率派VS贝叶斯派
举个例子：在抛硬币实验中，频率派认为“硬币正面朝上的概率是 0.5意味着如果无限次抛硬币，有 50% 的时间会正面朝上。频率派（Frequentist） 和 贝叶斯派（Bayesian） 是两种不同的统计学派，它们在概率的定义和推理方法上有根本性的区别，因而在机器学习之中衍生出两种截然不同的派系，下面分别来讲讲两大主流派别特点。核心思想：概率是信念的度量，通俗说就是认为事件发生的概率就是事件发生的可能性，也叫做主观概率，表示我们对某个事件的主观不确定性，可以通过数据不断更新。
2025-03-25 14:56:47
678
原创 支持向量机（SVM, Support Vector Machine）
SVM是一种二分类模型，它的基本模型为定义在特征空间上的间隔最大的线性分类器，间隔最大使它有别于感知机；支持向量机还包含核技巧，使它成为实质上的非线性分类器。支持向量机的学习策略就是间隔最大化，可以形式化一个求解凸二次规划问题，也可以等价于正则化的合页损失函数的最小化。支持向量机的算法是求解凸二次规划的最优化算法。那俗话说得好：SVM有三宝 间隔，对偶，核技巧。SVM 的核心思想可以用来总结，本文章将从上述3个角度阐述。
2025-03-25 01:07:13
541
原创 常见模型大集合
深度学习是机器学习中的一个子领域，专注于使用多层神经网络进行复杂的数据处理任务。这些机器学习模型适用于不同的任务和数据类型，具体的选择取决于问题的特征和目标。（Ensemble Methods，如Bagging, Boosting）迁移学习的目的是将一个模型在一个任务上学到的知识应用到另一个相关的任务中。这些模型用于没有标签的任务，主要是发现数据的结构或模式。这些模型使用少量有标签数据和大量无标签数据进行训练。这些模型通常用于有标签数据的分类和回归任务。我将按照顺序更新章节，欢迎订阅我的频道！
2025-03-24 23:15:02
829
原创 机器学习入门-鸢尾花数据集（下）
书接上回，下篇主要包含机器学习模型的构建以及验证本文将对比三种算法，包括KNN(K近邻) SVM（支持向量机）和 DESICION TREE（决策树）ps;！！
2025-03-24 21:10:44
726
原创 机器学习入门-鸢尾花数据集（上）
鸢尾花数据集是常见的入门任务，文章将详细介绍整个任务流程，简化繁琐的流程，包含内容见文章目录，供大家快速入门机器学习。鸢尾花数据集（Iris Dataset）是一个经典的机器学习数据集，最初由美国统计学家 Ronald A. Fisher 在 1936 年提出，作为他的论文《The use of multiple measurements in taxonomic problems》中使用的案例数据。该数据集旨在研究鸢尾花的形态学特征之间的关系，并通过这些特征对鸢尾花的不同类别进行分类。
2025-03-24 18:49:52
551
空空如也
空空如也
TA创建的收藏夹 TA关注的收藏夹
TA关注的人