周记4

      好久没有对之前做的事情做总结了。有些心累。

      工作中一直对使用的接口和模块做各种优化。提高性能。感觉这些东西其实和做简单的算法题类似。需要先找出规律,从业务出发,发现可以优化的点。因为不同的业务,对各方面要求不一样。就如同题目中的突破口,可以优化时间复杂度的条件。只要我们紧紧抓住了这个条件,就可以做到优化。虽然这个优化不是万能的,只是适用于本业务。但我们负责的内容,性能确实是做到了提高。毕竟,没有一种算法是万能的,每种算法都有适用场景。就是做题一样。同样都是做区间查询,却有各种方法,离线的rmq,在线的线段树和树状数组,都是常用的方法。但是都要根据场景来选择。工作中发现,之前写业务代码的人,没有根据业务来优化一下,都是按照最常规写法来的。所以效率没有达到最好。前一段时间,疯狂优化负责的后端接口和模块。初见成效。

      导师也要把平台都转手让我负责了,但是需要重新开发新平台,也算是历练一下自己。虽然其中应该没有太难写的东西。但也要写好。争取,自己写了之后,就不需要别人改bug,优化了。

     做了一点笔试的算法题。但是都没有写出题解,主要是草草的写了题解,也不会很清晰明了,朋友来学习或者我自己再用来复习的时候,就会看着看累。之后还是需要做总结的。

     工作转正需要看产出,还有hc。这个都是不确定因素。所以要开始投递简历,加紧复习基础知识,练习笔试,面试算法了。加油。每天都有进步,整个人生都有进步了。 

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