kxdkxdkxdkxd的博客

原创 多机调度问题

原创 老登选择题

A.子问题必须是一样的B.子问题不能够重复C.子问题的解可以合并D.原问题和子问题使用相同的方法解。A.满足显约束的值的个数B.计算约束函数的时间C.计算限界函数的时间D.确定解空间的时间。A.找出最优解的性质B.构造最优解C.算出最优解D.定义最优解。A.重叠子问题B.构造最优解C.贪心选择性质D.最优子结构性质。A.定义最优解B.构造最优解C.算出最优解D.子问题重叠性质。A.重叠子问题B.构造最优解C.贪心选择性质D.定义最优解。A.最优子结构B.贪心选择性质C.构造最优解D.定义最优解。

原创 深度学习1

*问题描述**：设计一个基于深度学习的模型，用于检测 Pascal VOC 数据集中的目标。**问题描述**：设计一个基于深度学习的模型，用于新闻分类。- 卷积层 1：使用 32 个 3x3 的卷积核，步长为 1，padding 为'same'，激活函数使用 ReLU。- 卷积层 2：使用 64 个 3x3 的卷积核，步长为 1，padding 为'same'，激活函数使用 ReLU。1.模型定义：对于输入特征，计算每个类别的得分（线性组合），然后通过 Softmax 函数将这些得分转换为概率分布。

原创 支持向量机

定义：支持向量机（SVM）是一种二分类模型，它的基本模型是定义在特征空间上的间隔最大的线性分类器，通过间隔最大化或等价地求解凸二次规划问题来学习分类器。凸二次规划问题：SVM的学习问题可以形式化为一个凸二次规划问题，这保证了最优解的存在性和唯一性。软间隔最大化：允许部分样本点不满足间隔约束，通过在目标函数中加入惩罚项来对这些样本点进行惩罚。泛化能力：由于SVM的目标是找到间隔最大的超平面，这使得它对未见示例的泛化能力较强。函数间隔：表示分类预测的确信程度，但成比例改变w和b时，函数间隔会改变。

原创 第五章决策树

其基本原理是通过一系列规则对数据进行分类或回归，这些规则以树形结构的形式表示。在决策树中，每个内部节点表示一个属性上的测试，每个分支代表一个测试输出，每个叶节点代表一种类别（分类树）或预测值（回归树）。决策树通过从根节点开始，递归地对样本进行划分，直到达到叶节点并导出最终结果。在当前节点选择一个属性，该属性能够最大化信息增益（或其他标准，如基尼不纯度）。为了防止过拟合，决策树可能会进行剪枝，即移除树的某些部分以防止模型过于复杂。为每个可能的属性值创建一个分支，并将数据集的子集传递到对应的子节点。

原创 朴素贝叶斯法

概率论中贝叶斯公式就是计算后验概率的。先验概率与后验概率是相互依存，不可分开的，即具有后验概率肯定是知道先验概率，而先验概率是后验概率的基础。对于一个未知的事情根据经验产生的概率称之为先验概率，不需要样本数据，也不受任何数据影响。A.只适用于简单的分类问题。

原创 第三章k近邻法（KNN算法）

选择K值：首先，需要选择一个整数K，它表示在预测一个样本的类别或值时，将考虑其最近的K个邻居。它的基本原理是基于“近朱者赤，近墨者黑”的思想，即一个样本的类别或值往往与其最近的邻居样本的类别或值相似。其中，欧氏距离是最常用的距离度量方法，它表示两个样本在多维空间中的直线距离。特征空间中两个实例点的距离是相似程度的反映，k近邻算法一般使用欧氏距离，也可以使用更一般的Lp距离或Minkowski距离。算法：根据给定的距离度量，在训练集中找出与x最邻近的k个点，根据分类规则决定x的类别y。

原创 第二章感知机

例如，在垃圾邮件识别中，通过分析邮件的特征（如关键词、发件人信息等），感知机可以区分垃圾邮件和正常邮件。‌不稳定‌：感知机的解可能依赖于初始值的选择，不同的初始值可能导致不同的分类结果‌‌。感知机学习算法的原始形式与对偶形式的本质区别主要体现在参数更新的方式和计算效率上。‌局限性‌：感知机只能处理线性可分的数据集，对于非线性可分的数据集无法有效分类。‌简单高效‌：感知机模型结构简单，计算效率高，适合处理大规模数据集。‌易于实现‌：感知机的学习算法基于随机梯度下降，实现起来相对简单。

原创 机器学习及监督学习概论

在强化学习中，智能体（agent）根据环境的状态采取行动，并根据行动的结果获得奖励或惩罚，从而学习到最优的策略。在监督学习中，训练数据包含输入和对应的输出（标签），模型通过学习这些数据来预测新数据的输出。例如，在图像识别中，模型通过学习大量带有标签的图片（如猫、狗等），能够准确识别出新图片中的物体。常见算法：聚类（如K-means、DBSCAN）、降维（如主成分分析PCA、线性判别分析LDA）和关联规则挖掘等。常见算法：朴素贝叶斯、支持向量机（SVM）、决策树、K近邻（KNN）、神经网络以及逻辑回归等。

原创 机器学习能解决哪些问题?每一类使用的常用方法有哪些?

谱聚类则是通过图论的方法，实现数据的划分。应用场景：房价预测、股票价格预测、气温预测、销售预测、医疗领域（疾病发展或药物剂量测）、能源消耗预测、保险费用计算、教育研究（学生考试成绩预测）、供应链管理（产品需求量预测）、经济增长预测等。聚类问题是指将输入数据划分成若干个相似的组或簇，使得同一簇内的数据具有较高的相似性，而不同簇之间的数据具有较大的差异性。应用场景：垃圾邮件过滤、医疗诊断、图像识别、情感分析、语音识别、生物信息学（基因表达数据分类）、文档聚类、客户细分、天文数据分析、产品推荐系统等。

原创 简述支持向量机的分类及区别。

在分类问题中，SVM的目标是在特征空间中找到一个超平面，以最大化不同类别之间的间隔，从而实现分类。方法：采用软间隔最大化（Soft Margin Maximization）方法，即允许一定数量的数据点被错误分类，但会对这些错误分类的数据点进行惩罚，以找到一个在分类准确性和模型复杂度之间的折中解。方法：通过核技巧（Kernel Trick）将输入空间的数据映射到一个更高维的特征空间，使得在这个特征空间中数据变得线性可分，然后应用线性可分支持向量机或线性支持向量机的方法进行处理。核技巧 + 软间隔最大化。

原创 简叙k-NN模型的实现原理，分析k值选择对分类性能的影响，给出kd树的作用和基本原理

它的工作原理是：给定一个训练数据集，对于新的输入实例，k-NN模型会在数据集中找到与该实例最邻近的k个实例。k-NN模型实际上对应于对特征空间的划分，它不具备显示的学习过程，而是利用训练数据集对特征空间进行划分，并作为分类的模型。k值较大意味着整体模型变得简单，容易发生欠拟合现象，即模型会更多地关注整体的趋势而忽略局部的细节，导致分类结果的平滑化。另外，k值的减小意味着整体模型变得复杂，容易发生过拟合现象，即模型会过度地关注局部的细节，而忽略了整体的趋势，导致分类结果不稳定。k值选择对分类性能的影响。

原创 试比较SVM、AdaBoost的学习策略与算法。

学习算法：（1）线性可分情况：寻找最大间隔超平面：通过求解凸二次规划问题，找到使得间隔最大化的超平面。（2）线性不可分情况：通过核函数将数据映射到高维空间，使得在高维空间中数据变得线性可分。针对数据中存在噪音或异常值的情况，引入软间隔的概念，允许一定数量的样本点出现在超平面的错误一侧。学习策略：SVM的目标是找到一个最大化分类间隔的超平面，以此来区分不同类别的数据点。它通过最大化样本点到分类超平面的最小距离（或者极小化正则化合页损失，软间隔最大化）来实现分类，从而提高模型的泛化能力。

原创 mysql7

select a.empno as 员工编号,a.ename as 员工姓名,b.empno as 上司编号,b.ename as 上司姓名。WHERE Sid IN (SELECT Sid FROM supplier WHERE SName = '东风机械厂')where student.sno = score.sno and class = '2019级云计算1班';where a.sno=b.sno and b.cno=c.cno and sname='王林';where dept = '数计学院'

原创 mysql 6

where sno = (select sno from student where sname = '李玉敏' )SELECT sc.sno AS 学号, cou.cname AS 课程名, sc.grade AS 成绩。select 读者.账号,读者.姓名,读者.性别,借阅.条形码,借阅.借书日期,借阅.还书日期。select 订单.订单编号,订单.顾客编号,顾客.公司名称,订单.订单日期。SELECT 账号,图书.条形码,书名,借书日期。join 顾客 on 订单.顾客编号=顾客.顾客编号。

原创 mysql5

select sno as 学号,sname as 姓名,sex as 性别,mno as 专业,2020-year(birdate) as 年龄,memo as 备注。where mno=(select mno from major where mname='网络工程'))select count(*) as 济南顾客数 from 顾客 where 城市 = '济南'select * from 订单 where 员工编号 in ('011','121')WHERE t.tsex = '女';

原创 mysql4

SELECT stu.sno AS 学号, stu.sname AS 姓名, stu.sex AS 性别, major.mname AS 专业。where grade<=60 and sc.cno in(select cno from cou where cname='高等数学')select * from 员工 where 姓名 like '陈%' and 性别='男'select * from 员工 where 姓名 in('陈诚瑞','钟鸣')

原创 mysql3

SELECT max(售价) as 最高售价,min(售价) as 最低售价,avg(售价) as 平均售价。SELECT cno as 课程号,count(sno) as 选课人数,max(score) as 最高分。(select sno from students where class='17计应1'));VALUES('Z001','大胜教育',null,'淄博',null);WHERE 账号 IN ('D002', 'D003');SELECT max(售价) as 最高售价。

原创 mysql2

SELECT avg(score) as 平均分 ,max(score) as 最高分 , min(score) as 最低分。SELECT sno as 学号 , count(cno) as 选课门数, sum(score) as 考试总成绩。select sname as 姓名, (2049-year(bday)) as 年龄 from students;SELECT cno as 课程号,COUNT(score) as 不及格人数。SELECT avg(售价) as 平均售价 from 图书;

原创 mysql1

查询图书表中科学出版社出版的价格在50元以上的图书的信息，要求结果中包括书名，作者，出版社和售价4列。查询图书表中李凯所著的图书，要求查询结果中包括条形码，书名，作者，出版社4列。查询xscj表中的学号，姓名，计算机三项信息，结果按计算机成绩的降序排列。where 书名='C语言程序设计' OR 书名 ='VB程序设计'查询图书表中售价介于50元到70元之间的图书的全部信息。where 账号 in ('D002','D003')values('Z001','大胜教育','淄博')

原创 10-19 查询图书表中科学出版社出版的价格在50元以上的图书的信息，要求结果中包括书名，作者，出版社和售价4列。

where 出版社 = '科学出版社' AND 售价>50。SELECT 书名,作者,出版社,售价。

原创 10-18 查询成绩不及格的学生学号、课号和成绩，并按成绩降序排列

from sc。