第1章 绪论

系统分析师笔记--第1章绪论 系统分析师,第一章 绪论 主要模块:信息与信息系统、系统分析师。 阅读详情

第1章 绪论

深度学习是近几年特别火的研究领域,在人工智能的很多方向都取得了巨大成功。从本质上来说,深度学习是机器学习的一个分支,核心是从有限的数据中找到通用规律,再用这个规律处理新的未知数据。比如从很多历史病例里总结症状和疾病的关系,之后就能给新病人诊断病情。

深度学习的模型通常比较复杂,数据从输入到输出要经过很多线性或非线性的处理步骤。但问题在于,最后得到结果时,我们很难说清每个处理步骤到底起了多大作用——这就是“贡献度分配问题”。而人工神经网络是解决这个问题的有效模型,也因此成了深度学习的核心模型。不过要注意,神经网络和深度学习不是一回事:深度学习可以用神经网络,也能用其他模型,但神经网络是深度学习最常用的选择。

本章会先介绍人工智能的基础知识,再逐步讲解神经网络和深度学习的核心概念,帮你搭建起整个领域的基础认知。

1.1 人工智能

现在我们常听到“智能手机”“智能家居”,这里的“智能”其实隐含了对人工智能的简单理解——让机器具备类似人类的智能行为。简单说,人工智能(AI)就是让机器拥有人类的智能,这也是研究者们长期追求的目标。

但“智能”本身没有明确的定义,一般认为它是知识和智力的总和,和大脑的思维活动相关。人类大脑的结构极其复杂,我们至今还没完全搞懂它的工作原理,所以想通过“复制”人脑来实现人工智能,目前是不现实的。

1.1.1 图灵测试:判断机器是否“智能”的标准

1950年,阿兰·图灵在论文《Computing Machinery and Intelligence》里提出了“图灵测试”,用来判断机器是否具备智能:

  • 一个人通过问答的方式和对方交流(不接触),如果长时间内无法判断对方是人还是计算机,那就可以认为这台计算机是智能的。

这个测试引导了人工智能的很多研究方向——要通过测试,计算机得具备理解语言、学习、记忆、推理、决策等能力,也因此衍生出了机器感知、机器学习、自然语言处理等多个子领域。

1.1.2 人工智能的“诞生”与核心领域

1956年的达特茅斯会议是人工智能的标志性事件:会上正式提出“人工智能”这个术语,还确定了使命——让机器的行为看起来和人类的智能行为一样。

目前人工智能的核心领域主要分三类:

  1. 感知:模拟人的感知能力,处理视觉、语音等外部信号(比如人脸识别、语音识别);
  2. 学习:模拟人的学习能力,从数据或与环境的交互中获取经验(比如监督学习、无监督学习);
  3. 认知:模拟人的认知能力,处理知识表示、推理、决策等问题(比如自然语言理解、规划)。

1.1.3 人工智能的发展历史:三次浪潮

人工智能从诞生到现在,经历了“繁荣-低谷-再繁荣”的循环,大致分为三个阶段:

  1. 推理期(1956年-1969年):

    • 研究者靠经验总结规则,编写程序让计算机完成任务,比如几何定理证明、语言翻译;
    • 初期成果让大家过于乐观,但后来发现规则太简单,很多复杂问题解决不了,研究陷入低谷。
  2. 知识期(1970年-1983年):

    • 研究者意识到“知识”的重要性,开发“专家系统”——把领域专家的知识整理成知识库,再通过推理机解决问题;
    • 专家系统在特定领域(比如医疗诊断)取得成果,但依赖人工整理知识,扩展性差。
  3. 学习期(1980年至今):

    • 很多智能行为(比如语言理解)的背后规律,人类无法清晰描述,于是转向让计算机“自己从数据中学习”;
    • 机器学习成为核心,尤其是近几年深度学习的爆发,让人工智能在很多任务上超越人类,迎来第三次浪潮。

1.1.4 人工智能的两大主流流派

由于对“智能”的理解不同,人工智能形成了两大主流流派:

  1. 符号主义(逻辑主义):

    • 核心假设:信息可以用符号表示,且能通过逻辑规则操作;
    • 认为人类的认知过程就是符号操作,比如早期的专家系统、定理证明器;
    • 优点:可解释性强,能说清推理过程。
  2. 连接主义(仿生学派):

    • 核心假设:人类的认知过程是神经网络中的信息处理,不是符号运算;
    • 模型是由大量简单神经元组成的网络,具有非线性、分布式、并行化等特点;
    • 缺点:可解释性差(比如深度学习“黑箱”问题),但学习能力强;
    • 现在很多研究试图融合两者,既保留学习能力,又提高可解释性。

1.2 机器学习

机器学习是人工智能的核心分支,简单说就是:让计算机从数据中自动学习规律,再用规律预测未知数据。比如让计算机看大量手写数字图片,学会识别新的手写数字——这和人类教小孩认数字的过程很像。

1.2.1 机器学习的基本流程

传统机器学习处理任务时,通常要经过四个步骤,缺一不可:

  1. 数据预处理:清理数据(比如去掉缺失值)、标准化数值,做成适合训练的数据集;
  2. 特征提取:从原始数据中找有用的特征(比如从图片中提取边缘、纹理);
  3. 特征转换:进一步优化特征(比如降维,减少冗余信息);
  4. 预测:用学习算法训练模型,对新数据做预测。

1.2.2 传统机器学习的“痛点”:特征工程

传统机器学习的核心问题是“特征工程”——前三个步骤(预处理、提取、转换)都需要人工完成,依赖领域专家的经验。比如要做文本分类,得人工设计“词频”“词性”等特征,不仅耗时,还很难保证特征的有效性。

1.3 表示学习:让机器自己学特征

为了解决“特征工程”的痛点,研究者提出了“表示学习”——让机器自动从原始数据中学习有效的特征,不用人工干预。

1.3.1 核心目标:解决“语义鸿沟”

原始数据的底层特征(比如图片的像素值、文本的编码)和高层语义(比如“这是一只猫”“这句话是正面评价”)之间存在差距,这就是“语义鸿沟”。表示学习的目标就是把底层特征转换成能反映高层语义的表示,让后续的预测任务更简单。

1.3.2 两种特征表示方式

表示学习的核心是找到“好的特征表示”,常见的有两种:

  1. 局部表示(离散表示/符号表示):

    • 比如用“独热向量”表示颜色:“红色”是[1,0,0],“蓝色”是[0,1,0];
    • 优点:解释性强,计算简单;
    • 缺点:维度高(有多少种类别就有多少维),无法表示类别间的相似度(比如“中国红”和“红色”的相似度)。
  2. 分布式表示(稠密表示):

    • 比如用RGB值表示颜色:“红色”是[255,0,0],“中国红”是[200,0,0];
    • 优点:维度低(比如RGB只用3维),能自然表示相似度(向量距离越近,相似度越高),容易扩展新类别。

1.3.3 表示学习的关键:深度结构

要学到高层语义表示,需要经过多步非线性转换——这就是“深度结构”的价值。深度结构能让特征重复利用,大幅提升表示能力,为后续的深度学习打下基础。

1.4 深度学习:端到端的学习

深度学习是表示学习的延伸,核心是用“深度模型”自动学习从底层到高层的特征表示,不用人工设计特征,实现“端到端学习”。

1.4.1 深度学习的核心特点

  1. “深度”的含义:原始数据经过多次非线性特征转换(比如神经网络的多层处理);
  2. 端到端学习:不拆分任务步骤,直接优化最终目标。比如机器翻译,不用先分词、句法分析,直接输入原文输出译文;
  3. 解决贡献度分配问题:通过反向传播等算法,确定每个处理步骤对最终结果的贡献,从而优化模型参数。

1.4.2 深度学习与传统机器学习的区别

传统机器学习:人工设计特征 + 简单模型预测;
深度学习:模型自动学特征 + 深度模型预测(特征学习和预测一体化)。

举个例子:识别手写数字,传统方法需要人工提取“笔画数量”“边缘特征”,而深度学习直接输入像素值,模型自己学特征,最后输出识别结果。

1.5 神经网络:深度学习的核心模型

神经网络是受人脑神经系统启发设计的计算模型,也是深度学习最常用的模型——因为它能很好地解决贡献度分配问题。

1.5.1 人脑神经网络:灵感来源

人类大脑有近860亿个神经元,每个神经元通过突触和上千个其他神经元连接,形成复杂的网络:

  • 神经元通过树突接收信号,通过轴突传递信号;
  • 当接收的信号总和超过阈值,神经元就会兴奋,产生电脉冲;
  • 突触的强度可以通过学习改变(赫布理论:经常一起兴奋的神经元,连接会变强),这是大脑学习的基础。

1.5.2 人工神经网络:简化模拟

人工神经网络是对人脑的简化模拟,核心组成是“人工神经元”和“连接权重”:

  • 人工神经元:接收多个输入,通过权重加权求和,再经过激活函数处理,输出结果;
  • 连接权重:表示神经元之间的影响大小,是模型的可学习参数;
  • 整体:多个神经元按层排列(输入层、隐藏层、输出层),形成网络,完成从输入到输出的映射。

1.5.3 神经网络的发展历史

神经网络的发展也经历了起伏,大致分为五个阶段:

  1. 模型提出期(1943年-1969年):

    • 1943年:提出MP模型,首次构建人工神经元;
    • 1958年:提出感知器,能模拟简单的学习过程;
    • 这一时期神经网络在模式识别等领域取得初步成果。
  2. 冰河期(1969年-1983年):

    • 1969年:《感知器》一书指出感知器的缺陷(无法解决“异或”问题),且当时计算机算力不足;
    • 神经网络研究陷入低谷,但仍有学者提出反向传播、卷积神经网络的雏形(新知机)。
  3. 复兴期(1983年-1995年):

    • 反向传播算法被广泛认可,解决了多层神经网络的训练问题;
    • 卷积神经网络在手写数字识别上取得成功,神经网络重新成为研究热点;
    • 但梯度消失问题阻碍了深层网络的发展。
  4. 沉寂期(1995年-2006年):

    • 支持向量机等统计学习方法兴起,神经网络因理论基础不清晰、可解释性差等缺点被边缘化;
    • 当时算力和数据量不足,无法训练大规模神经网络。
  5. 深度学习崛起期(2006年至今):

    • 2006年:提出“预训练+精调”方法,解决了深层网络的训练问题;
    • 2012年:深度卷积神经网络在图像分类上取得突破性成果;
    • 算力(GPU)和数据量的增长,让大规模神经网络的训练成为可能,神经网络迎来第三次高潮。

1.6 常用的深度学习框架

深度学习需要大量的矩阵运算和梯度计算,手动实现效率低且容易出错,因此有了专门的深度学习框架——支持自动梯度计算、GPU加速等功能,常用的有:

  1. TensorFlow:Google开发,支持静态计算图,生态丰富,适合大规模部署;
  2. PyTorch:Facebook等开发,支持动态计算图,易用性强,适合科研和快速原型开发;
  3. 飞桨(PaddlePaddle):百度开发,支持动态图和静态图,对中文任务友好,提供丰富的产业级工具;
  4. MindSpore:华为开发,适用于端边云场景,对昇腾芯片有原生支持;
  5. Caffe:专注于卷积神经网络,适合计算机视觉任务,配置文件驱动,无需大量编码。

基于这些框架,还有更模块化的库(比如Keras),让搭建神经网络像“搭积木”一样简单。

1.7 总结

深度学习的核心价值是“自动学习有效特征”,解决了传统机器学习中“特征工程”的痛点。它以神经网络为核心模型,通过端到端学习,避免了人工干预,在图像、语音、自然语言处理等领域取得了巨大成功。

但深度学习也有局限:比如需要大量标注数据、可解释性差、鲁棒性有待提升等。未来的研究方向包括更高效的模型结构、更少的数据依赖、更好的可解释性等。

如果想深入学习,还可以关注斯坦福大学的CS231n(计算机视觉)、CS224n(自然语言处理)等课程,以及ICLR、NeurIPS、ICML等顶级学术会议的最新成果。

SAP ABAP ALV表格实战:5分钟搞定单元格下拉框配置(附完整代码) 本文详细介绍了在SAP ABAP开发中如何快速配置ALV表格的单元格下拉框功能,通过5分钟实战教程帮助开发者掌握关键步骤。文章包含完整的ABAP代码示例,涵盖下拉值定义、字段目录配置及ALV控件绑定等核心操作,特别适合需要实现财务系统费用类型选择或采购系统物料分类等场景的开发者参考。 阅读详情

相关推荐

Ubuntu18.04黑屏救急指南:从tty到图形界面的5种恢复方法(附网络配置技巧)

本文针对Ubuntu 18.04系统启动后出现黑屏并进入tty命令行的问题,提供了一套从紧急诊断到完全恢复图形化界面的系统性实战指南。文章详细讲解了五种核心恢复方法,包括重启显示管理器、重装ubuntu-desktop桌面环境、手动安装Xorg与LightDM等,并重点解决了纯命令行环境下的网络配置难题,帮助用户快速修复系统,恢复工作环境。

weixin_29243279的博客 359

机器学习 周志华 西瓜书 第1章 绪论复习总结

如果有看不清或其他问题请评论反馈。

kYingz的博客 651

Centos7安装Tesseract5.5.0+SpringBoot集成部署(离线版)

Java 中实现 OCR(光学字符识别)功能,可以使用 Tesseract OCR,这是一个开源的 OCR 引擎,支持多种语言,并且可以在 Java 中通过 Tesseract API 进行集成。

Leopard锋的博客 2321

《计算方法》课程学习(1)——第1章 绪论

qq_34573534的博客 1014

使用海康机器人的SDK进行DWS开发时如何筛选不同类型的相机

使用MVIDCodeReader、MvCodeReaderSDK、MvVolMeasureSDK联合开发时,通常会做一些设备枚举列表,但是不同类型的设备需要枚举在不同的列表中,便于软件使用者配置参数,例如: 如何保证枚举出来的设备是可以选择的对应的设备。我们通常枚举出来的是这样的: 解决办法 在联合开发中,我们发现,只有MvVolMeasureSDK的枚举设备接口EnumStereoCamEx可以正确的只枚举出网络内的体积设备,其余的MVIDCodeReader、MvCodeReaderS

qq_29123967的博客 2735

FreeModbus从入门到实战:手把手教你用STM32实现工业级Modbus RTU通信

本文详细介绍了如何使用STM32和FreeModbus实现工业级Modbus RTU通信,涵盖硬件搭建、协议栈移植及优化技巧。重点解析了FreeModbus的移植过程,包括串口驱动适配、定时器配置和工业级稳定性优化,为开发者提供了一套完整的工业通信解决方案。

weixin_33737774的博客 353

【数据结构_练习】 第1章 绪论

这篇文章系统介绍了数据结构的基本概念和核心内容。首先定义了数据、数据元素、数据项、数据对象等基础概念,阐述了数据结构的逻辑结构和存储结构,以及抽象数据类型的构成。其次,通过学生信息表的例子说明了逻辑结构与存储结构的区别与联系。文中详细讲解了四种基本逻辑结构(集合、线性、树形、图形)及其关系图,并比较了顺序和链式两种基本存储方法。最后提供了选择题和程序时间复杂度分析的练习,帮助理解数据结构的基本原理和应用。全文内容全面,层次清晰,适合数据结构初学者系统学习基础知识。

集众人智慧,少走弯路,用对方法,事半功倍。祝考研成功,风里雨里,学长学姐,长理等你! 750

深度学习之基于Pytorch手指静脉识别系统(

一、项目背景与目标手指静脉识别技术是一种新兴的生物特征识别技术,它依据人类手指中流动的血液可吸收特定波长的光线这一科学原理,利用手指内的静脉分布图像来进行身份识别。与传统的生物识别技术(如指纹识别)相比,手指静脉识别技术具有不易伪造、识别精度高、非接触性等特点,因此在安全性要求较高的场景(如金融、医疗、公安等)具有广阔的应用前景。本项目旨在利用PyTorch深度学习框架,构建一套高效、准确的手指静脉识别系统。

Q1744828575的博客 835

数据结构第1章绪论相关练习题

第1章 绪论 一、选择题 1. 算法的计算量的大小称为计算的( B ) A.效率 B. 复杂性 C. 现实性 D. 难度 2. 算法的时间复杂度取决于(C) A.问题的规模 B. 待处理数据的初态 C. A和B 3.计算机算法指的是(1),它必须具备(2) 这三个特性。 (1) A.计算方法 B. 排序方法 C. 解决问题的步骤序列 D. 调度方法 (2) A...

#两个西柚 1万+

OpenPCDet安装及其3D检测算法实现

OpenPCDet及pointpillar复现

weixin_58207716的博客 1万+

《人工智能基础》[工具篇2]:ChatBox怎么使用本地模型和知识库配置教程

通过设置-知识库,添加,填入知识库名称、选用的嵌入模型创建好知识库后,点击添加文件按钮+,可以上传本地文件、拖动文件支持上传PDF、DOCX等格式的文档。系统会自动对文档进行处理。批量上传:一次最多上传 50 个文档,总大小不超过 2GB;格式检测:支持 PDF/DOCX/TXT/Markdown,不支持 EXE/RAR 等二进制文件。‌文档类‌图片类‌代码类‌:Python、Java、JavaScript等编程文件‌其他‌:Markdown(用于导出对话记录) ‌。

专注大数据、云计算、人工智能、机器人领域技术传播 2947

数据结构习题:第1章 绪论

是性质相同的数据元素的集合,是数据的一个子集。如数学计算中用到的整数和实数,文本编辑所用到的字符串,多媒体程序处理的图形、图像、声音、动画等通过特殊编码定义后的数据。数据元素用于完整地描述一个对象,如一个学生记录,树中棋盘的一个格局(状态)、图中的一个顶点等。换句话说,数据结构是带“结构”的数据元素的集合,“结构”就是指数据元素之间存在的关系。:从逻辑关系上描述数据,它与数据的存储无关,是独立于计算机的。解释:数据元素是数据的基本单位,数据项是数据的最小单位,数据结构是带有结构的各数据元素的集合。

Wjs153612的博客 1290

【2026OD新机考】【不定滑窗】20260415-API请求日志去重分析【Py/Java/C++/C/JS/Go六种语言OD真题】【欧弟算法】全网注释最详细分类最全的华子OD真题题解

中找到所有的连续的相同元素,同时统计对应的连续相同元素对应的值的平均值。:当右指针为第一个元素(没有前一个元素),或者右指针对应的元素。某微服务系统的日志监控平台需分析API调用记录,日志含大量。相等,说明当前元素仍然属于同一个相同元素窗口,将当前元素值。中的所有元素均相等,并且计算窗口和情况即可。请实现一个函数,对给定的日志数据去重合并处理。位置,表示开启一个新的窗口,此时需要重置窗口和。,为了优化重复的请求记录,存储和后续分析需对。:对应的响应时间数组(毫秒)。重新置为当前右指针的元素值。

weixin_48157259的博客 113

《C++ 程序设计》第 1 章 绪论

《C++程序设计》第1章绪论介绍了程序设计的基础知识。内容涵盖:1)程序语言发展历程,从机器语言到面向对象语言;2)面向对象方法的核心概念(类、对象、封装等)及软件开发流程;3)计算机信息表示(数制、编码、存储单位);4)程序开发完整过程(编辑→编译→链接→运行)。本章通过代码示例和图表讲解,为后续C++学习奠定基础,建议读者通过实践加深理解。

2302_80961196的博客 861

jdk-8u144-linux-x64.tar.gz.

该资源为搭建Linux系统Java环境用,资源的后缀为tar.gz格式的压缩包

华为的C语言编程规范.pdf

华为技术有限公司内部技术规范。本规范制定了编写C语言程序的基本原则、规则和建议。从代码的清晰、简洁、可测试、安全、程序效率、可移植各个方面对C语言编程作出了具体指导。

第 1 章 绪论

《数据结构入门教程》摘要:本文为零基础读者系统讲解数据结构基础知识。首先通过生活比喻阐释数据结构是计算机存储、组织和管理数据的方式。重点解析数据结构的两个层次:逻辑结构(集合、线性、树形、图状)描述数据间的抽象关系;存储结构(顺序、链式)实现数据在内存中的物理存放。同时介绍算法的基本概念和五大特性,强调数据结构与算法的紧密关系——数据结构是算法操作的基础,算法是发挥数据结构效能的关键。最后指出评价算法效率的时间复杂度和空间复杂度标准,为后续深入学习奠定基础。(149字)

计算机科学、人工智能、数据分析和大数据方向的研发和教学。 1299

WINCC7.3破解文件

WINCC7.3硬件够破解文件,有需要的下载!WINCC7.3硬件够破解文件,有需要的下载!

数据结构摘星题库800题笔记 第1章绪论

解析:算法是指解题方案的准确而完整的描述,是一系列解决问题的清晰指令,算法代表着用系统的方法描述解决问题的策略机制。不同的策略,复杂度有可能是不同的。解析:数据结构是带有结构特性的数据元素的集合,它研究的是数据的逻辑结构和数据的物理结构以及它们之间的相互关系,并对这种结构定义相适应的运算设计出相应的算法,即不仅要存储各数据元素的值,还要存储数据元素之间的关系。解析:顺序存储结构是存储结构类型中的一种,该结构是把逻辑上相邻的节点存储在物理位置上相邻的存储单元中,节点之间的逻辑关系由存储单元的邻接关系来体现。

丰锋的博客 1172

贝叶斯统计 [韦来生编]

贝叶斯(Bayes)统计是近几十年来迅速发展起来的数理统计的一个重要分支。贝叶斯方法与经典统计方法的主要不同之处是进行统计推断时除了利用样本信息外,还要利用参数的先验信息,因此可以提高统计推断或统计决策的效果。它在经济、金融、生物、医学、自然科学和社会科学等许多领域具有广泛的应用。贝叶斯方法的研究已渗透到了统计学的几乎所有领域。作者在给中国科学技术大学概率论与数理统计专业本科生开设的“数理统计”课程中有一章专门讲授“贝叶斯方法和统计决策理论”,近十年来也给中国科学技术大学概率统计专业研究生开设过几次“贝叶斯分析”课。本书是在对过去讲稿的内容作了适当的增减和调整的基础上完成的。  本书共分六章。第1章是绪论,介绍了贝叶斯统计的若干基本概念,同时对必要的数理统计的基础知识有重点地作了回顾。第二章介绍了确定先验分布的若干可供选择的方法。第三章介绍了几类常见统计模型参数的后验分布的主要结果和计算方法。第四章和第五章分别介绍了“贝叶斯统计推断”和“贝叶斯统计决策”的内容。第六章介绍了贝叶斯统计计算的若干方法,包括蒙特卡洛方法和马尔可夫链蒙特卡洛(MCMC)方法以及相关统计软件的简介。本书的每一章附右大量的例题和习题,书末附有常用的几个表格和部分习题解答供读者查用。  大约可在54学时内讲授本书的第1章至第六章的主要内容,教师可根据学时需要选讲本书第1章至第六章的部分内容。书中标“*”号的章节可略去不讲,留给读者作为阅读材料。第六章例题中的R代码和部分例题的数据文件等可从作者个人主页下载。  作者在编写本书的过程中参考了J.O.Berger教授的《统计决策论及贝叶斯分析》和茆诗松教授编写的《贝叶斯统计》等书中的一些内容,以及《贝叶斯分析》一书中由张伟平博士编写的有关贝叶斯统计计算的一些内容。在此表示衷心感谢。  本书编写准备过程中,中国科学技术大学统计与金融系的几个研究生帮助完成了本书部分中文的录入和排版,作者对他们的辛勤工作表示真诚的感谢。高等教育出版社为本书的出版给予了大力支持。在此一并致谢。

【机器学习】入门指南:西瓜书第1章绪论(上)【理论到实践】

机器学习是一门研究如何通过计算手段,利用经验(通常以数据形式存在)来改善系统自身性能的学科。其核心目标是让计算机从数据中学习规律,并对未知数据进行预测或决策。例如,给定一组西瓜的特征数据(如色泽、根蒂、敲声),通过机器学习方法训练模型,判断新西瓜是否成熟。

weixin_68094467的博客 981

客观题测试-第1章绪论

详解版详解版。

a61233的博客 1万+

算法设计题1.16-绪论-第1章-《数据结构习题集》-严蔚敏吴伟民版

算法设计题1.16-绪论-第1章-《数据结构习题集》-严蔚敏吴伟民版。

StrayedKing-245176013 1939

第1章绪论

第1章 绪论 本文全部内容来自数据库系统概论(第5版)—王珊、萨师煊著 1.1数据库系统概述 1.1.1四个基本概念 数据、数据库、数据库管理系统、数据库系统 1.数据(data) 数据是数据库中存储的基本对象,数据不仅仅只是数字,也包括文本、图形、图像、音频、视频、学生的档案记录、货物的运输情况等 描述事物的符号记录成为数据 数据含义称为数据的语义,数据与语义不可分割 自然语言:李明同学,男,1995年5月生,江苏省南京市人,2013年入学。 在计算机中的表示形式是记录: (李明,男,199505,江苏省

weixin_46435420的博客 1473
下一篇: 第2章 机器学习概述-01
「已注销」
博客等级 码龄1年 312粉丝 132原创
评论
成就一亿技术人!
拼手气红包6.0元
还能输入1000个字符
 
 条评论被折叠 查看
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付:10.00元
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

打赏作者

「已注销」

你的鼓励将是我创作的最大动力

¥1 ¥2 ¥4 ¥6 ¥10 ¥20
扫码支付:¥1
获取中
扫码支付

您的余额不足,请更换扫码支付或充值

打赏作者

实付元
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