训练日记-17

博主分享了一天的算法训练经历,上午因故未训练,下午专注刷题。遇到数学题花费较多时间但未能解决,接着快速解决了单调栈原题。在D题和C题上遇到困难,D题循环顺序出错,C题无法找到背包问题的解决方案。晚上练习树状数组,意识到数据量大时需要注意类型溢出,提醒自己要留意非知识点的细节问题,避免程序困扰。

       今天上午由于家里原因并没有刷题,下午就刷了一下午的练习赛,刚开始就从A题开始看,上来A题就是个数学题,想了半天有点思路了,然后根据自己的思路好歹的把代码写出来了,在写的过程中就感觉有漏洞,也没想出来怎么处理,最后wrong,放弃了看下一道。B题一眼望去就是个原题,是最近训练专题的一道单调栈的原题,然后就直接A了。后面的题都看了一下,就只有D题有思路,但是刚开始循环顺序有点错误一直wrong;C题虽然看出来是个背包问题,但是并没有什么思路。。。就这样一下午就过去了。

       晚上就在刷训练三的树状数组问题,通过这几天树状数组的练习发现,树状数组的数据量都比较大,尤其再是求和问题,数据会更大。所以一般注意用long long定义,有的时候long long都不够用的,需要用64位的。总之这些非知识点方面的错误平时需要多加注意,尽量避免因为这种细节问题而在程序上纠结半天。。。(深有体会!!!)

     继续加油!

根据原作 https://pan.quark.cn/s/459657bcfd45 的源码改编 Classic-ML-Methods-Algo 引言 建立这个项目,是为了梳理和总结传统机器学习(Machine Learning)方法(methods)或者算法(algo),和各位同仁相互学习交流. 现在的深度学习本质上来自于传统的神经网络模型,很大程度上是传统机器学习的延续,同时也在不少时候需要结合传统方法来实现. 任何机器学习方法基本的流程结构都是通用的;使用的评价方法也基本通用;使用的一些数学知识也是通用的. 本文在梳理传统机器学习方法算法的同时也会顺便补充这些流程,数学上的知识以供参考. 机器学习 机器学习是人工智能(Artificial Intelligence)的一个分支,也是实现人工智能最重要的手段.区别于传统的基于规则(rule-based)的算法,机器学习可以从数据中获取知识,从而实现规定的任务[Ian Goodfellow and Yoshua Bengio and Aaron Courville的Deep Learning].这些知识可以分为四种: 总结(summarization) 预测(prediction) 估计(estimation) 假想验证(hypothesis testing) 机器学习主要关心的是预测[Varian在Big Data : New Tricks for Econometrics],预测的可以是连续性的输出变量,分类,聚类或者物品之间的有趣关联. 机器学习分类 根据数据配置(setting,是否有标签,可以是连续的也可以是离散的)和任务目标,我们可以将机器学习方法分为四种: 无监督(unsupervised) 训练数据没有给定...
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
 
红包 添加红包
表情包 插入表情
 条评论被折叠 查看
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