45、浮点数计算与数字进制转换脚本详解

浮点数计算与数字进制转换脚本详解

在计算机编程中,浮点数计算和数字进制转换是常见的操作。本文将详细介绍如何创建一个计算浮点数平均值的脚本,以及如何进行数字进制的转换。

1. 创建 float_average.ksh 脚本

我们可以对加法脚本进行一些小修改,从而实现对一系列数字求平均值的功能。下面是主要的修改步骤:

1.1 统计数字总数

为了计算平均值,我们需要知道数字列表中的数字总数。在对 $NUM_LIST 中的数字进行有效性检查时,添加一个计数器 TOTAL_NUMBERS

TOTAL_NUMBERS=0
for NUM in $NUM_LIST
do
    ((TOTAL_NUMBERS = TOTAL_NUMBERS + 1))
    case $NUM in
        +([0-9])) # 检查是否为整数
            : # 无操作
            ;;
        +([-0-9])) # 检查是否为负整数
            : # 无操作
            ;;
        +([0-9]|[.][0-9])) # 检查是否为正浮点数
            : # 无操作
            ;;
        +(+[0-9]|[.][0-9])) # 检查是否为带 + 前缀的正浮点数
            : # 无操作
            ;;
        +([-0-9]|.[0-9])) # 检查是否为负浮点数
      
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  | 博主筛选后可见
 
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