- 博客(32)
- 收藏
- 关注
RSS订阅原创 day 11 第五章 栈与队列part02代码随想录算法训练营71期
deque 两端操作高效：支持在队列头部（front） 和尾部（back） 快速插入 / 删除元素（时间复杂度 O (1)），这是它区别于普通队列（仅尾部插、头部删）和数组（头部操作 O (n)）的关键；插入新元素时，从队尾弹出比它小的元素（用 pop_back()），while 批量清理 ，保证队列单调递减；遍历字符串数组，数字直接入栈，运算符则弹出栈顶两个元素进行运算（后弹出的数 运算符 先弹出的数），结果重新入栈。遍历哈希表，维护堆大小为 K，最终堆中元素即为前 K 个高频元素，逆序输出结果。
2025-12-20 18:30:55
195
原创 day 10 第五章 栈与队列part01代码随想录算法训练营71期
MyQueue()：是 MyQueue 类的无参构造函数，名称必须和类名完全一致，没有返回值（连 void 都不能写）这里函数体为空，是因为示例中 MyQueue 类的成员（stIn、stOut 两个栈）是 C++ 标准库的 stack 类型 —— 标准库容器会自动调用自身的默认构造函数完成初始化，因此无需手动写初始化逻辑。peek() 获取队列头部元素（不删除）时，复用（this->显式调用当前对象的其他成员方法 / 属性，增强代码可读性）弹出逻辑，但需将弹出的元素重新压回输出栈。），另一个栈负责输出（
2025-12-17 23:00:02
150
原创 day 9 第四章 字符串part02代码随想录算法训练营71期
而文本串的指针 i 无需手动递增 —— 因为 i 是 for 循环的循环变量，每次循环会自动 i++，继续遍历下一个文本字符。最长相等前后缀的长度 = len(p） × (n-1)（因为要留 1 个 p 不重叠，否则就覆盖整个串了）。因此：len(s) - 最长相等前后缀长度 = len(p），即 “不包含的子串” 就是 p。原串长度 = 最小重复子串长度 × 重复次数（len(s) = len(p） × n）。在字符串处理中，反转单词需要先处理多余空格，再逐个反转单词。
2025-12-16 22:08:21
186
原创 day 8第四章 字符串part01代码随想录算法训练营71期
双指针技巧：适用于原地修改或反转问题。分段处理：通过调整循环步长或条件实现规律性操作。逆向填充：避免多次移动元素，提升效率。
2025-11-24 21:25:59
251
原创 day 7第三章 哈希表part02代码随想录算法训练营71期
使用长度为26的数组记录杂志中各字母的出现次数，遍历赎金信字符串时递减对应字母的计数。若某字母计数不足，立即返回失败。使用哈希表记录前两个数组元素之和及其出现次数，再遍历后两个数组查找匹配的键值。通过数组统计字符频率，判断杂志字符串能否构成赎金信。采用排序加双指针法，避免重复解并优化时间复杂度。扩展三数之和的思路，增加一层循环并处理整型溢出。，双指针在剩余区间内搜索目标值。存在于哈希表中，累加对应次数到结果中。需注意跳过重复元素。类型避免溢出，并跳过重复解。，值为该和出现的次数。排序后固定前两个元素。
2025-11-20 18:41:35
239
原创 day 6第三章 哈希表part01代码随想录算法训练营71期
遍历数组时，实时查询哈希表中是否存在与当前元素匹配的补数（target - nums[i]）。使用哈希集合（unordered_set）记录每次计算过程中的中间结果。std::unordered_map 底层实现为哈希表，std::map 和std::multimap 的底层实现是红黑树。对象本身的内存大小，与字符串内容无关。该值在编译期确定，通常包含指针、大小等成员变量，因此对于不同长度的字符串结果相同。该数组用于统计每个字母出现的次数，适用于比较两个字符串是否为字母异位词（即字母组成相同但顺序不同）。
2025-11-18 12:19:43
267
原创 神经网络与深度学习 3.3 交叉熵与对数似然
网站主要围绕信息论相关概念及其在分类问题中的应用展开。信息论基础概念信息论研究消息传递，涉及编码、传输和解码。熵衡量随机事件不确定性，不确定性大熵大。自信息定义为负对数概率，满足可加性。熵编码与应用熵可用于编码，理论上是最优平均编码长度。符号出现概率与编码长度成反比实现最优编码。交叉熵概念剖析交叉熵是用分布q编码分布p的平均编码长度。分布p、q越相似，交叉熵越小，可衡量差异。KL散度的理解KL散度是用q近似p时信息量的损失。分布差异越大，KL散度越大。
2025-03-27 22:33:14
401
原创 神经网络与深度学习3.2 线性分类模型
网站主要讲解 Logistic 回归，它是线性分类模型。先将分类问题转化为条件概率估计问题，引入 Logistic 函数（sigmoid 函数）将判别函数值从实数空间映射到 0 - 1 之间作为概率。对于二分类问题，只需估计P(Y=1∣X) ，进而得到P(Y=0∣X)。线性分类模型基于线性回归模型构建线性分类模型需离散化函数处理分类问题线性分类模型本质是找线性决策边界。
2025-03-27 22:30:39
689
原创 神经网络与深度学习3.1 分类问题示例
网站主要围绕模型选择以及偏差方差分解展开，为深度学习学习与研究提供了系统知识。模型选择方法引入验证集可辅助选择模型。数据量不足时用交叉验证。AIC、BIC准则能指导模型选择。偏差 - 方差分解原理期望风险可分解为偏差、方差和噪声。偏差衡量平均模型与最优模型差距。方差体现模型在不同数据集的稳定性。偏差 - 方差与模型性能关系理想模型是低偏差、低方差。欠拟合表现为高偏差、低方差。过拟合对应高方差、低偏差。基于偏差 - 方差的模型选择策略依据偏差方差和最小化选模型复杂度。
2025-03-27 22:26:25
483
原创 神经网络与深度学习3 线性模型
3 线性模型网站本讲在线性分类器部分，聚焦分类问题中的线性模型，如感知器、Logistic回归、Softmax回归、SVM等。讲完本讲线性分类器后，下次课将开始讲解非线性分类器（各种神经网络模型）。
2025-03-27 22:23:45
616
原创 神经网络与深度学习2.10 常用的定理
网站主要围绕模型选择以及偏差方差分解展开，帮助学习者理解模型性能的影响因素和优化策略。模型选择的方法引入验证集挑选错误最小的模型。数据量不足时采用交叉验证。依据AIC、BIC准则指导选择。偏差方差分解原理期望风险可分解为偏差、方差和噪声。偏差衡量平均模型与最优模型差距。方差反映模型在不同数据集的波动。偏差方差与模型性能关系理想模型是低偏差、低方差。高偏差、低方差源于模型能力不足。高方差、低偏差通常是过拟合表现。基于偏差方差的模型选择策略寻找模型复杂度与期望风险和的最低点。
2025-03-27 22:19:59
860
原创 神经网络与深度学习2.9 模型选择与“偏差-方差”分解
网站聚焦逻辑回归模型，它属于线性分类模型，由线性判别函数和阈值函数构成。由于原模型决策函数不可导，难以用数学优化方法求解参数，故将分类问题转化为概率估计问题。名称辨析：Logistic回归有多种译名，如对数几率回归、逻辑斯蒂回归，翻译为逻辑回归易与“logic”混淆，不太准确。模型结构：属于线性分类模型，由线性判别函数 (f(x;w)) 和决策函数（一般为阈值函数，如 (f(x) > 0) 时 (y = 1)，(f(x) < 0) 时 (y = 0)）构成。
2025-03-27 22:16:11
973
原创 神经网络与深度学习2.8 线性回归的概率视角
网站学于2025年3月27日主要围绕从概率视角重新审视线性回归问题展开。逻辑回归模型介绍逻辑回归有多种译名，“逻辑回归”易混淆。线性分类模型由线性判别和决策函数构成。逻辑回归学习准则原决策函数不可导，需定义连续损失函数。用交叉熵建立损失函数衡量估计概率准确性。条件概率估计问题将分类问题转换为条件概率估计问题。二分类只需预估一个类别概率，另一个可算出。激活函数的选择需找能将实数映射到0 - 1的挤压性质函数。介绍logistic函数，可用于条件概率建模。交叉熵与真实条件概率。
2025-03-27 22:07:17
621
原创 图像色彩空间转换
本次视频是OpenCV 4快速入门30讲的第二课，主要围绕图像色彩空间转换和保存展开教学，帮助开发者加深对OpenCV开发框架的理解。namedWindow("输入窗口", WINDOW_FREERATIO);imshow("输入窗口", src);return 0;
2025-03-15 17:44:51
295
原创 01-OpenCV4快速入门视频课程30讲001图像读取与显示
本次视频是图像快速入门课程第一课，主要围绕OpenCV中图像的加载与显示展开，内容涵盖基础函数使用、窗口处理、图像类型加载及错误处理等。 // 使用imread读取图像，需传入图像完整路径 Mat src = imread("图像完整路径"); // 若图像未成功加载，输出提示信息并返回 } // 创建自由比例窗口 namedWindow("输入窗口", WINDOW_FREERATIO); // 使用imshow显示图像，第一个参数为窗口名称，第二个参数为图像数据。
2025-03-15 17:14:37
458
原创 神经网络与深度学习2.7 多项式回归
2.7 多项式回归讨论聚焦于多项式回归模型，阐述了X和Y间非线性关系的处理，通过选择非线性基函数将X转换为ΦX，形成W的转置乘以ΦX的模型表示。模型复杂度由多项式次数M决定，M值的选择是平衡欠拟合与过拟合的关键。为避免过拟合，引入正则化项限制模型复杂度，正则化系数λ的大小影响对W的惩罚强度，需适当调整。此外，增加训练样本数量N也被证明能有效提升高阶多项式模型的预测性能。整个讨论强调了在多项式回归中，模型复杂度控制、超参数选择及训练数据量对泛化能力和预测准确性的重要性。
2025-03-15 02:21:42
564
原创 神经网络与深度学习2.6 线性回归
线性回归作为机器学习模型的实例，其基本概念涉及输入向量与连续标量输出，模型表示为(Y = F(X;\theta))，其中(\theta)代表模型参数。具体到线性回归，模型设定为(Y = W^T X + B)，(W)为权重向量，(B)为偏置项。通过引入增广的权重和特征向量，简化了偏置项的影响。在训练集上定义的经验风险采用平方损失函数，并通过矩阵运算简化，利用矩阵微积分求导并求解权重向量(W)，即最小二乘法。
2025-03-15 02:18:07
1135
原创 神经网络与深度学习 1.7 神经网络发展史
网站本视频介绍了神经网络的发展历程，其发展与人工智能类似，历经多个高潮和低谷，主要分为五个阶段。神经网络发展之模型提出1943年MP模型提出1958年感知器模型诞生神经网络发展之首次低谷（冰河期）1969年指出神经网络缺点1974年反向传播算法提出未受重视冰河期卷积神经网络雏形出现神经网络发展之反向传播复兴霍普菲尔德网络等相继提出反向传播算法被重新发明并应用卷积神经网络引入反向传播算法神经网络发展之再入低潮统计机器学习方法替代神经网络神经网络优化困难且效果不佳。
2025-03-13 23:38:18
1167
原创 神经网络与深度学习 2.1 关于概率的一些基本概念
网站该视频围绕概率相关概念展开，系统介绍了从基础概念到复杂应用的知识，为理解概率统计在多领域的应用奠定基础。概率基本概念概率表示随机事件发生可能性，取值0 - 1随机变量定义在随机事件上，有多种定义方式常见概率分布伯努利分布：一次随机实验事件的概率分布二项分布：n次伯努利实验事件的概率分布高斯分布：典型的连续随机变量分布其他概率相关概念累计分布函数：随机变量小于等于x的概率随机向量：一组随机变量，有联合概率分布条件概率：已知一变量取值时另一变量的概率采样方法。
2025-03-13 23:36:04
397
原创 神经网络与深度学习2.4 机器学习的要素
网站该视频主要围绕机器学习的基本要素及优化算法展开，详细介绍了从数据处理、模型构建到优化求解的过程。机器学习基本要素之数据数据依y取值分回归、分类问题数据特征抽取很关键机器学习基本要素之模型线性模型定义为fxθwTxbfxθwTxb非线性模型通过改造线性模型获得损失函数损失函数量化模型预测与真实差异回归常用平方损失函数衡量差异期望风险与经验风险期望风险因分布未知难以计算经验风险借大数定律逼近期望风险最优化问题最优化问题分凸和非凸两类。
2025-03-13 23:21:34
976
原创 神经网络与深度学习2.5 泛化与正则化
网站这段视频主要围绕机器学习中的泛化、正则化以及过拟合、欠拟合问题展开，解释了为何不能单纯以训练集错误率为零作为迭代停止条件。验证集与停止条件验证集错误率不再下降时停止训练不用训练集错误率为零作为停止条件欠拟合与过拟合欠拟合因模型能力不足导致错误率高过拟合在训练集错误率低新数据高过拟合由数据少或模型复杂度高导致泛化误差泛化误差是期望风险与经验风险之差模型经验风险低期望风险高易过拟合正则化方法正则化可降低泛化误差避免过拟合增加约束如L1、L2约束限制模型能力。
2025-03-13 23:19:15
370
原创 神经网络与深度学习2.3 机器学习类型
网站这段视频主要介绍了机器学习的常见类型、典型问题及其应用场景。机器学习示例-回归问题票房预测依据多特征判断连续值股价预测参考公司财务特征预测房价预测综合房屋因素预估价格机器学习示例-分类问题手写数字识别将图像对应数字分类人脸检测判断图片区域是否含人脸垃圾邮件检测依邮件特征识别分类机器学习示例-聚类与强化学习聚类算法自动分析图像相似性分类强化学习通过试错最大化预期收益机器学习类型概述监督学习构建输入输出映射关系无监督学习依据输入数据优化目标强化学习通过交互最大化期望回报。
2025-03-13 23:17:11
361
原创 神经网络与深度学习 2.2 机器学习定义
网站这段视频主要围绕构建输入与输出之间的映射函数展开，介绍了其应用场景、构建原因、方法及最终目的。映射函数构建需求计算机自动构建映射函数满足复杂需求手工规则难实现复杂问题映射构建映射函数相关概念输入x称为表示，输出y叫标签真实映射函数gx通常未知从分布采样形成训练样本构建映射函数方法构造假设空间选取最优函数f星用f星拟合gx解决拟合问题期望f星在未知数据预测误差小映射函数应用与形式利用总结规律预测未知数据输出表现为决策或预测函数可建模条件概率而非仅映射。
2025-03-13 23:12:31
711
原创 神经网络与深度学习 2 机器学习概述
网站学于2025年3月13日本视频主要介绍了神经网络的发展历程，经历了模型提出、冰河期、反向传播算法引起的复兴、再次低潮和深度学习崛起五个阶段，其发展与人工智能类似，在高潮与低谷中不断演进。机器学习基本概念介绍概率的基本概念讲解机器学习的定义与类型阐述机器学习的构成要素机器学习核心问题探讨泛化问题讨论正则化问题具体回归示例讲解线性回归介绍多项式回归模型选择方法列举简单的模型选择方法常用机器学习定理讲解常用机器学习定理。
2025-03-13 23:06:01
673
原创 神经网络与深度学习1.6 神经网络
网站这段视频主要围绕神经网络展开，涵盖人脑神经网络、人工神经网络构造、网络类型、解决贡献度分配问题等方面内容。人脑神经网络基础基本构成单元是生物神经元遵循赫布法则加强或减弱联系记忆分长期和短期记忆人工神经元构建用数学模型模拟神经元接收信号通过加权组合和激活函数处理信号神经网络组成要素需考虑人工神经元激活规则关注网络拓扑结构神经网络主要类型前馈网络信息单向传递记忆网络存在反馈连接图网络连接更灵活神经网络解决贡献度分配问题利用偏导数计算参数贡献度根据贡献度调整参数优化结果。
2025-03-13 23:01:52
309
原创 神经网络与深度学习 1.5 人脑神经网络
网站大脑的整体功能控制人类行为、运动、情感及器官功能比最高级电脑更复杂、充满奥秘大脑的结构组成重约三磅，由左右半脑构成大脑半球是高级神经活动场所大脑半球功能差异左半球负责语言处理和语法表达右半球与空间技巧相关大脑的神经元细胞大脑内有百亿个神经元细胞神经元细胞数量出生后不再增加神经元的结构与联系神经元有多个长长的凸起用于沟通神经元之间联系会随年龄更复杂神经元的信号传递神经元信号传递依赖化学信号化学粒子传递实现神经信号传递。
2025-03-13 23:00:05
478
原创 神经网络与深度学习 1.4 深度学习
网站这段视频主要介绍了深度学习的概念、与传统浅层学习的区别、面临的难点及相关数学描述。深度学习的定义深度学习是表示学习加决策学习深度学习用计算机自动学习特征深度学习的优势能够实现特征的重用可自动学习不同层次特征深度学习的难点贡献度分配问题较难解决传统机器学习难解决该问题深度学习的相关概念神经网络可解决贡献度问题许多深度学习模型是端到端模型深度学习的数学描述深度学习是深度嵌套的复合函数深度学习中特征抽取多为非线性函数。
2025-03-13 22:58:20
1051
原创 神经网络与深度学习1.2 如何开发人工智能系统？
网站这段视频主要介绍了开发人工智能系统的不同方式，通过实例讲解了专家系统、机器学习、强化学习的概念及应用场景，帮助观众理解如何针对不同任务选择合适的人工智能开发方法。依据人工规则区分不同类三角形利用简单规则构建医疗专家系统。
2025-03-13 22:53:06
264
原创 神经网络与深度学习1.3 表示学习
网站这段视频主要介绍了深度学习的相关概念，包括其定义、与浅层学习的区别、面临的难点及数学描述。深度学习的概念引入好表示需高层语义信息及抽象过程深度学习是表示学习加决策学习深度学习的流程特点计算机自动学习特征并预测结果无需人工设计中间特征深度学习的难点问题存在贡献度分配难题可类比下棋理解贡献度问题深度学习的解决方法神经网络可解决贡献度分配问题端到端学习是深度学习常见模式深度学习的数学描述深度学习对应嵌套深的复合函数特征抽取常用非线性函数。
2025-03-13 22:51:14
939
原创 神经网络与深度学习 1.1 人工智能
网站这段视频主要介绍了人工智能的概念、流派、研究领域以及发展历程。图灵测试图灵1950年提出测试机器智能的设想图灵测试存在难以执行的问题人工智能的定义1956年达特茅斯会议正式定义人工智能人工智能内涵尚无明确统一的定义人工智能的流派连接主义通过建立神经网络模型实现智能符号主义用符号表示知识来实现智能行为主义通过与环境交互实现智能人工智能的领域感知领域是当前人工智能的热门方向人工智能涵盖语音处理、自然语言处理等领域人工智能的发展历程早期先驱者推动人工智能推理期发展。
2025-03-13 22:42:26
404
原创 神经网络与深度学习1 绪论
网站学于2025年3月11日本次视频由复旦大学邱锡鹏老师介绍神经网络和深度学习课程，内容涵盖课程改革、教学内容、学习资源、前沿研究以及深度学习框架等方面。课程改革与参与方式采用线上录播+线下答疑练习模式面向选课学生、校外学生及爱好者开放鼓励学生留言提问，老师抽时间回答课程内容机器学习基础，包含模型、学习准则、优化算法神经网络类型，如前馈、记忆、图网络深度学习模型，有深度生成模型、序列生成网络学习资源教材推荐，如《神经网络和深度学习》《模式识别与机器学习》
2025-03-13 19:25:41
1249
空空如也
空空如也
TA创建的收藏夹 TA关注的收藏夹
TA关注的人