<?xml version="1.0" encoding="utf-8" ?><rss version="2.0"><channel><title><![CDATA[cookie222的博客]]></title><description><![CDATA[]]></description><link>https://blog.youkuaiyun.com/cookie222</link><language>zh-cn</language><generator>https://blog.youkuaiyun.com/</generator><copyright><![CDATA[Copyright &copy; cookie222]]></copyright><item><title><![CDATA[git同步项目代码到github仓库]]></title><link>https://blog.youkuaiyun.com/cookie222/article/details/129424930</link><guid>https://blog.youkuaiyun.com/cookie222/article/details/129424930</guid><author>cookie222</author><pubDate>Thu, 09 Mar 2023 16:03:38 +0800</pubDate><description><![CDATA[git add README.md # git add . 添加所有文件。]]></description><category></category></item><item><title><![CDATA[图神经网络01 pyG环境搭建]]></title><link>https://blog.youkuaiyun.com/cookie222/article/details/123045534</link><guid>https://blog.youkuaiyun.com/cookie222/article/details/123045534</guid><author>cookie222</author><pubDate>Mon, 06 Feb 2023 11:29:22 +0800</pubDate><description><![CDATA[使用python库pytorch-geometric(pyG)进行图神经网络的构建，该库以pytorch为基础。中选择torch-1.10.0+cu102版本，根据不同配置下载相应的四个包，cp38是python3.8的意思。因此，搭建pytorch+pyG+jupyter notebook的实验环境。解决方法：下载ipykernel包，把pyg环境在notebook中关联起来。pip下载对应版本的pytorch和cuda，参考官方网站。需要查看电脑显卡的cuda版本，选择]]></description><category></category></item><item><title><![CDATA[后台系统开发01 前端环境配置]]></title><link>https://blog.youkuaiyun.com/cookie222/article/details/125756896</link><guid>https://blog.youkuaiyun.com/cookie222/article/details/125756896</guid><author>cookie222</author><pubDate>Fri, 15 Jul 2022 16:18:16 +0800</pubDate><description><![CDATA[后台系统项目。技术栈Vue3+ElementPlus+Koa2/Node+MongoDB。]]></description><category></category></item><item><title><![CDATA[Leetcode day10]]></title><link>https://blog.youkuaiyun.com/cookie222/article/details/121583798</link><guid>https://blog.youkuaiyun.com/cookie222/article/details/121583798</guid><author>cookie222</author><pubDate>Sat, 27 Nov 2021 22:28:46 +0800</pubDate><description><![CDATA[滑动窗口算法


滑动窗口（Sliding Window）：在给定数组 / 字符串上维护一个固定长度或不定长度的窗口。可以对窗口进行滑动操作、缩放操作，以及维护最优解操作。


滑动操作：窗口可按照一定方向进行移动。最常见的是向右侧移动。
	缩放操作：对于不定长度的窗口，可以从左侧缩小窗口长度，也可以从右侧增大窗口长度。
滑动窗口利用了双指针中的快慢指针技巧，我们可以将滑动窗口看做是快慢指针两个指针中间的区间，也可以可以将滑动窗口看做是快慢指针的一种特殊形式。

滑动窗口分为以下两种：固定长度窗口、不定长度]]></description><category></category></item><item><title><![CDATA[Leetcode day09]]></title><link>https://blog.youkuaiyun.com/cookie222/article/details/121581497</link><guid>https://blog.youkuaiyun.com/cookie222/article/details/121581497</guid><author>cookie222</author><pubDate>Sat, 27 Nov 2021 21:24:15 +0800</pubDate><description><![CDATA[数组双指针

双指针分为「对撞指针」、「快慢指针」、「分离双指针」。

对撞指针：两个指针方向相反。适合解决查找有序数组中满足某些约束条件的一组元素问题、字符串反转问题。
	快慢指针：两个指针方向相同。适合解决数组中的移动、删除元素问题，或者链表中的判断是否有环、长度问题。
	分离双指针：两个指针分别属于不同的数组 / 链表。适合解决有序数组合并，求交集、并集问题。
344. 反转字符串



难度简单491

编写一个函数，其作用是将输入的字符串反转过来。输入字符串以字符数组s的形式给出。

不要给另..]]></description><category></category></item><item><title><![CDATA[Leetcode day08]]></title><link>https://blog.youkuaiyun.com/cookie222/article/details/121504280</link><guid>https://blog.youkuaiyun.com/cookie222/article/details/121504280</guid><author>cookie222</author><pubDate>Wed, 24 Nov 2021 23:01:37 +0800</pubDate><description><![CDATA[69. Sqrt(x)

难度简单827

给你一个非负整数x，计算并返回x的算术平方根。

由于返回类型是整数，结果只保留整数部分，小数部分将被舍去 。

注意：不允许使用任何内置指数函数和算符，例如pow(x, 0.5)或者x ** 0.5。

示例 1：


输入：x = 4
输出：2


示例 2：


输入：x = 8
输出：2
解释：8 的算术平方根是 2.82842..., 由于返回类型是整数，小数部分将被舍去。


解题思路：想法1. 用循环找出i*i&lt;=x，...]]></description><category></category></item><item><title><![CDATA[Leetcode day07]]></title><link>https://blog.youkuaiyun.com/cookie222/article/details/121467803</link><guid>https://blog.youkuaiyun.com/cookie222/article/details/121467803</guid><author>cookie222</author><pubDate>Mon, 22 Nov 2021 11:29:02 +0800</pubDate><description><![CDATA[35. 搜索插入位置

难度简单1183

给定一个排序数组和一个目标值，在数组中找到目标值，并返回其索引。如果目标值不存在于数组中，返回它将会被按顺序插入的位置。

请必须使用时间复杂度为O(log n)的算法。

示例 1:


输入: nums = [1,3,5,6], target = 5
输出: 2


示例2:


输入: nums = [1,3,5,6], target = 2
输出: 1


示例 3:


输入: nums = [1,3,5,6], target = 7
输出: 4
...]]></description><category></category></item><item><title><![CDATA[Leetcode day04]]></title><link>https://blog.youkuaiyun.com/cookie222/article/details/121460253</link><guid>https://blog.youkuaiyun.com/cookie222/article/details/121460253</guid><author>cookie222</author><pubDate>Sun, 21 Nov 2021 22:28:10 +0800</pubDate><description><![CDATA[283. 移动零

难度简单1307

给定一个数组nums，编写一个函数将所有0移动到数组的末尾，同时保持非零元素的相对顺序。

示例:


输入: [0,1,0,3,12]
输出: [1,3,12,0,0]

说明:

必须在原数组上操作，不能拷贝额外的数组。
	尽量减少操作次数。
解题思路：删除数组的0，补充相同个数的0到列表末尾。

代码：

classSolution:

defmoveZeroes(self,nums:List[int])-&gt;None:

...]]></description><category></category></item><item><title><![CDATA[Leetcode day03]]></title><link>https://blog.youkuaiyun.com/cookie222/article/details/121437195</link><guid>https://blog.youkuaiyun.com/cookie222/article/details/121437195</guid><author>cookie222</author><pubDate>Sun, 21 Nov 2021 20:56:22 +0800</pubDate><description><![CDATA[48. 旋转图像

难度中等1060

给定一个n×n的二维矩阵matrix表示一个图像。请你将图像顺时针旋转 90 度。

你必须在原地旋转图像，这意味着你需要直接修改输入的二维矩阵。请不要使用另一个矩阵来旋转图像。

示例 1：




输入：matrix = [[1,2,3],[4,5,6],[7,8,9]]
输出：[[7,4,1],[8,5,2],[9,6,3]]


示例 2：




输入：matrix = [[5,1,9,11],[2,4,8,10],[13,3,6,7],[...]]></description><category></category></item><item><title><![CDATA[Leetcode day02]]></title><link>https://blog.youkuaiyun.com/cookie222/article/details/121366850</link><guid>https://blog.youkuaiyun.com/cookie222/article/details/121366850</guid><author>cookie222</author><pubDate>Wed, 17 Nov 2021 22:13:39 +0800</pubDate><description><![CDATA[66. 加一

难度简单857

给定一个由整数组成的非空数组所表示的非负整数，在该数的基础上加一。

最高位数字存放在数组的首位， 数组中每个元素只存储单个数字。

你可以假设除了整数 0 之外，这个整数不会以零开头。


...]]></description><category></category></item><item><title><![CDATA[Leetcode day01]]></title><link>https://blog.youkuaiyun.com/cookie222/article/details/121344713</link><guid>https://blog.youkuaiyun.com/cookie222/article/details/121344713</guid><author>cookie222</author><pubDate>Mon, 15 Nov 2021 23:04:22 +0800</pubDate><description><![CDATA[1. 两数之和

难度简单12600

给定一个整数数组nums和一个整数目标值target，请你在该数组中找出和为目标值target 的那两个整数，并返回它们的数组下标。

你可以假设每种输入只会对应一个答案。但是，数组中同一个元素在答案里不能重复出现。

你可以按任意顺序返回答案。

示例 1：


输入：nums = [2,7,11,15], target = 9
输出：[0,1]
解释：因为 nums[0] + nums[1] == 9 ，返回 [0, 1] 。


示例 2：


...]]></description><category></category></item><item><title><![CDATA[吃瓜笔记08 集成学习]]></title><link>https://blog.youkuaiyun.com/cookie222/article/details/120551136</link><guid>https://blog.youkuaiyun.com/cookie222/article/details/120551136</guid><author>cookie222</author><pubDate>Thu, 07 Oct 2021 10:37:57 +0800</pubDate><description><![CDATA[第八章 集成学习

8.1 集成

个体学习器：某种算法根据训练数据产生的分类器

基学习器：同质集成中的个体学习器亦称"基学习器"

组件学习器：指异质集成的个体学习器，也可直接称作个体学习器

弱学习器(精度略高于50%的分类器)--强学习器

在一般经验中，如果把好坏不等的东西掺到一起，那么通常结果会是比最坏的要好一些，比最好的要坏一些.集成学习把多个学习器结合起来，如何能获得比最好的单一学习器更好的性能呢？

要获得好的集成，个体学习器应“好而不同”，即个体学习器要有一定的“准确性”，即学习器不能太]]></description><category></category></item><item><title><![CDATA[吃瓜笔记07 贝叶斯分类]]></title><link>https://blog.youkuaiyun.com/cookie222/article/details/120235160</link><guid>https://blog.youkuaiyun.com/cookie222/article/details/120235160</guid><author>cookie222</author><pubDate>Wed, 29 Sep 2021 16:21:05 +0800</pubDate><description><![CDATA[7.1 贝叶斯决策论

最大化后验概率：



不难看出，欲使用贝叶斯判定准则来最小化决策风险，首先要获得后验概率P(c|x). 然而，在现实任务中这通常难以直接获得，从这个角度来看，机器学习所要实现的是基于有限的训练样本集尽可能准确地估计出后验概率P(c|x). 大体来说，主要有两种策略：给定a，可通过直接建模P(c|x)来预测c，这样得到的是“判别式模型”（discriminative models）；也可先对联合概率分布P(x,c)建模，然后再由此获得P(c|x)，这样得到的是“生成式模型"（...]]></description><category></category></item><item><title><![CDATA[吃瓜笔记06 支持向量机]]></title><link>https://blog.youkuaiyun.com/cookie222/article/details/120117592</link><guid>https://blog.youkuaiyun.com/cookie222/article/details/120117592</guid><author>cookie222</author><pubDate>Sun, 12 Sep 2021 10:47:54 +0800</pubDate><description><![CDATA[学习内容：西瓜书和南瓜书--第6章

讲解课程：Datawhale吃瓜教程（https://www.bilibili.com/video/BV1Mh411e7VU）

]]></description><category></category></item><item><title><![CDATA[吃瓜笔记05 神经网络]]></title><link>https://blog.youkuaiyun.com/cookie222/article/details/120048457</link><guid>https://blog.youkuaiyun.com/cookie222/article/details/120048457</guid><author>cookie222</author><pubDate>Thu, 02 Sep 2021 21:56:28 +0800</pubDate><description><![CDATA[学习内容：西瓜书和南瓜书--第5章

讲解课程：Datawhale吃瓜教程（https://www.bilibili.com/video/BV1Mh411e7VU）

第5章神经网络
5.1神经元模型
5.2感知机与多层网络
5.3误差逆传播算法
5.4全局最小与局部极小
5.5其他常见神经网络
5.6深度学习



神经网络中最基本的成分是神经元（neuron）模型，在生物神经网络中，每个神经元与其他神经元相连，当它“兴奋”时，就会向相连的神经元发送化学物质，从而改变这些神经元内的电位；如果某神经元的电.]]></description><category></category></item><item><title><![CDATA[吃瓜笔记04 决策树]]></title><link>https://blog.youkuaiyun.com/cookie222/article/details/119909248</link><guid>https://blog.youkuaiyun.com/cookie222/article/details/119909248</guid><author>cookie222</author><pubDate>Sun, 29 Aug 2021 14:24:44 +0800</pubDate><description><![CDATA[学习内容：西瓜书和南瓜书--第3章

讲解课程：Datawhale吃瓜教程（https://www.bilibili.com/video/BV1Mh411e7VU）



显然，决策树的生成是一个递归过程，在决策树基本算法中，有三种情形会导致递归返回：（1）当前结点包含的样本全属于同一类别，无需划分；（2）当前属性集为空，或是所有样本在所有属性上取值相同，无法划分；（3）当前结点包含的样本集合为空，不能划分.
在第（2）种情形下，我们把当前结点标记为叶结点，并将其类别设定为该结点所含样本最多的类别；在第（.]]></description><category></category></item><item><title><![CDATA[吃瓜笔记03 常见线性模型]]></title><link>https://blog.youkuaiyun.com/cookie222/article/details/119767472</link><guid>https://blog.youkuaiyun.com/cookie222/article/details/119767472</guid><author>cookie222</author><pubDate>Mon, 23 Aug 2021 22:28:17 +0800</pubDate><description><![CDATA[学习内容：西瓜书和南瓜书--第1~2章

讲解课程：Datawhale吃瓜教程（https://www.bilibili.com/video/BV1Mh411e7VU）
]]></description><category></category></item><item><title><![CDATA[吃瓜笔记01-02 机器学习绪论与模型评估指标]]></title><link>https://blog.youkuaiyun.com/cookie222/article/details/119726085</link><guid>https://blog.youkuaiyun.com/cookie222/article/details/119726085</guid><author>cookie222</author><pubDate>Tue, 17 Aug 2021 22:22:46 +0800</pubDate><description><![CDATA[学习教材：西瓜书和南瓜书

课程：Datawhale吃瓜教程（https://www.bilibili.com/video/BV1Mh411e7VU）


]]></description><category></category></item><item><title><![CDATA[集成学习07-Stacking]]></title><link>https://blog.youkuaiyun.com/cookie222/article/details/119152304</link><guid>https://blog.youkuaiyun.com/cookie222/article/details/119152304</guid><author>cookie222</author><pubDate>Wed, 28 Jul 2021 23:29:06 +0800</pubDate><description><![CDATA[Stacking集成方法在比赛中被称为“懒人”算法，因为它不需要花费过多时间的调参就可以得到一个效果不错的算法，同时，Stacking算法容易理解，因为这种集成学习的方式不需要理解太多的理论，只需要在实际中加以运用即可。

Stacking严格来说并不是一种算法，而是精美而又复杂的，对模型集成的一种策略。Stacking集成算法可以理解为一个两层的集成，第一层含有多个基础分类器，把预测的结果(元特征)提供给第二层， 而第二层的分类器通常是逻辑回归，他把一层分类器的结果当做特征做拟合输出预测结果。在介绍Sta]]></description><category></category></item><item><title><![CDATA[集成学习06-Boosting]]></title><link>https://blog.youkuaiyun.com/cookie222/article/details/119053127</link><guid>https://blog.youkuaiyun.com/cookie222/article/details/119053127</guid><author>cookie222</author><pubDate>Sun, 25 Jul 2021 23:20:59 +0800</pubDate><description><![CDATA[本章中，我们主要探讨了基于Boosting方式的集成方法，其中主要讲解了基于错误率驱动的Adaboost，基于残差改进的提升树，基于梯度提升的GBDT，基于泰勒二阶近似的Xgboost以及LightGBM。在实际的比赛或者工程中，基于Boosting的集成学习方式是非常有效且应用非常广泛的。
...]]></description><category></category></item></channel></rss>