- 博客(260)
- 资源 (1)
- 问答 (2)
- 收藏
- 关注
RSS订阅原创 【Linux笔记】Day5
systemctl set-default TARGET.target 设置默认运行级别。systemctl get-default 查看当前运行级别。在此位置输入init=/bin/sh，再按ctrl-x。然后回车，在新的一行最后面输入passwd。【注】在Linux下，隐藏文件是以.开头的。选项可以组合使用，比如ls -al。help 指令，比如help cd。移动到Linux 16那一行位置。ls -a把隐藏文件全部显示出来。然后回车，密码就修改成功了。rm -rf一定要谨慎。开机选模式的时候按e。
2025-01-25 16:41:30
356
原创 【韩顺平JAVA】因为后面代码量大，不方便更新，转移到gitee了
https://gitee.com/qin-ruiqian/hspjavalearning
2025-01-25 14:33:21
130
原创 【Linux笔记】Day4
如果之前加的用户没有指定组，它会创建一个和用户同名的组，把该新建用户放到该组中。高权限用户切换到低权限用户无需输入密码。这些用户用的都是bash shell。clear能把当前屏幕显示清掉。连带着用户文件夹都删掉。注意用户名只能是小写。
2025-01-24 16:19:26
305
原创 【韩顺平Java笔记】第8章：面向对象编程（中级部分）【354-358】
无参构造器先执行this(“hello”)，然后进入有参构造器。我承诺，我会好好学习。我承诺，我会好好学习。我承诺，我会好好学习。我承诺，我会好好学习。我承诺，我会认真教学。我承诺，我会认真教学。
2025-01-24 12:36:57
351
原创 【Linux笔记】Day3
Xshell 和 Xftp下载地址：https://www.xshell.com/zh/free-for-home-school/在一般模式下快捷键定位最末尾行（G）和最首行（gg）按斜杠/或者冒号:进入命令行模式，寻找关键字。Linux查看IP地址指令ifconfig。输入错误按ESC回到一般模式后再按u撤销。一般模式下输入20，再按shift+g。保存功能要从插入模式变成命令行模式。回到一般模式定位光标，到第20行。编辑好后按ESC输入:wq。显示行号，:set nu。:wq （保存并退出）
2025-01-23 16:25:22
422
原创 【韩顺平Java笔记】第8章：面向对象编程（中级部分）【343-353】
name田所浩二 age24 post学生 salary:114514.0 grade1.3。this先从本类查找，本类没有可以去调用父类（注意private）super不仅仅限于它的父类，它父类的父类也能调用。科学家 mike 年工资是：2240000.0。农民 smith 年工资是：240000.0。服务生 tom 年工资是：1374168.0。工人 jack 年工资是：150000.0。老师 mary 年工资是：384000.0。写出四种访问修饰符和各自的访问权限。
2025-01-23 12:24:36
732
原创 【韩顺平Java笔记】第8章：面向对象编程（中级部分）【338-342】
Person{name=‘我修院’, age=25, job=‘美食家’}Person{name=‘我修院’, age=25, job=‘美食家’}Person{name=‘德川’, age=26, job=‘美食家’}Person{name=‘德川’, age=26, job=‘美食家’}收益入账 +100.0 2025-01-19 10:01 100.0。收益入账 +100.0 2025-01-19 10:01 100.0。收益入账 +100.0 2025-01-19 10:01 100.0。
2025-01-19 11:02:25
609
原创 【文献阅读】【TabPFN】Accurate predictions on small data with a tabular foundation model
表格数据，即以行和列形式组织的电子表格，在科学领域无处不在，从生物医学到粒子物理学到经济学和气候科学[1,2]。基于其他列填充标签列缺失值的基本预测任务对于生物医学风险模型，药物发现和材料科学等各种应用至关重要。尽管深度学习已经彻底改变了从原始数据中学习，并带来了许多备受瞩目的成功案例[3 - 5]，但在过去的20年里，梯度增强决策树[6 - 9]一直主导着表格数据。
2025-01-14 19:42:51
1644
原创 【简博士统计学习方法】第2章：3. 感知机——学习算法之对偶形式：算法解说
xiyi)w←wηyixi;b←bηyiw00b00(xiyi)niwbαiyixiαiyiαiniηiwi1∑Nαiyixi;bi1∑NαiyiTx1y1x2y2⋯xNyN}xi∈X⊆Rny∈Y1−1。
2025-01-13 19:30:39
727
原创 【Linux笔记】Day2
如果你在使用虚拟机系统的时候（比如Linux），你想回到原先的某一个状态，也就是说你担心可能有些误操作造成系统异常，需要回到原先某个正常运行的状态，Vmware也提供了这样的功能，就叫快照管理。链接克隆只是引用，它本质上操作的还是之前的虚拟机，完整的克隆才是完整的复制一份（类似于编程语言中的浅拷贝和深拷贝一样）内网的Linux虚拟机可以和外部通讯，但是反过来不成立，能和外部通讯的原因是通过物理机的IP代理出去的。如果已经安装了一台Linux操作系统，还想要再更多的，没必要重新安装，只需要克隆。
2025-01-13 15:51:06
703
原创 【韩顺平Java笔记】第8章：面向对象编程（中级部分）【327-337】
a本身运行类型是B，它应该找B类的sum方法，但是B类没有sum方法，于是去找父类A类的sum方法，调用getI方法，但是子类没有，又用负类的getI，收益入账 +114514.0 2025-01-13 11:23 114514.0。收益入账 +114514.0 2025-01-13 11:23 114514.0。收益入账 +114514.0 2025-01-13 11:23 114514.0。收益入账 +114514.0 2025-01-13 11:23 114514.0。
2025-01-13 11:40:45
785
原创 【简博士统计学习方法】第2章：3. 感知机——学习算法之原始形式：算法解说
是统计学中的一个重要概念，它指的是通过样本数据来推测总体（整个群体）中某些未知的特征值（比如平均值、方差等）的过程。【注】采用不同的误分类点顺序，所得到的解是不同的，随机选取的误分类点导致结果也具有一定的随机性。我们选取随机梯度下降法进行迭代计算。迭代到第7次之后就没有误分类点了。
2025-01-12 23:24:54
640
原创 【Linux笔记】Day1
基于韩顺平老师课程记录：https://www.bilibili.com/video/BV1Sv411r7vd分为三个区：boot分区（给1G就行）交换分区（和内存相关，这里和虚拟机的内存2G一致）交换分区（SWAP），内存满了，还需要有程序送入内存，可以先送入交换分区，有点像缓存技术。真正的生产环境中需要保留KDUMP的崩溃信息。学习过程就关掉。安全策略暂时关闭。密码设置一定要复杂
2025-01-12 18:56:46
378
原创 【简博士统计学习方法】第2章：2. 感知机——准备知识：梯度下降法
（Gradient Vector）是多元函数的一个重要概念，它反映了该函数在某一点处的最大变化率的方向和大小。梯度不仅指示了函数增长最快的方向，还给出了沿该方向变化的速率。现在我们假设有一个可微函数，我们想找到这个可微函数的最小值，也就是相当于找到山的山底，每次找到该点相应的梯度，沿着梯度的反方向往下走，这就是使函数值下降最快的方向。：在多元函数（即函数的自变量是多个变量）中，凸函数的定义和一元函数的定义类似，但需要考虑函数的定义域以及函数在多个方向上的行为。方向导数与梯度（gradient）密切相关。
2025-01-08 13:29:00
1044
原创 【简博士统计学习方法】第2章：1. 感知机——模型介绍与学习策略
（比如特征空间是一维的，那么一个实例就是一个实数，区分正负类的就是实数轴上的一个点；如果特征空间是二维的，一个实例就是二维空间中的一个点，我们用来区分正负类的分离超平面就是一条直线；如特征空间是三维的，分离超平面应该就是一个平面了；特征空间是四维的，分离超平面应就是一个三维立体图形，依此类推，当特征空间是。在算法中，中止条件就是不存在误分类点，当不存在误分类点的时候，此式自然为0，所以。中的误分类点越少，此式越来越小，如果没有误分类点，则该。维度下，就是一个二维空间，二维空间下的超平面就是直线。
2025-01-08 11:10:08
772
原创 【简博士统计学习方法】第1章：8. 监督学习应用
输入和输出变量为连续变量的时候则为回归问题。它反映的是输入和输出变量之间的映射关系。相应的学习过程就等价于函数的拟合。之前拟合函数的案例就属于回归问题。8.3.2 方法与应用类型按输入变量个数：一元回归、多元回归；按输入和输出变量之间关系：线性回归、非线性回归。损失函数：平方损失应用：商务领域。
2025-01-08 10:00:44
542
原创 【简博士统计学习方法】第1章：7. 生成模型与判别模型
在生成模型中，隐变量（latent variable）是指那些我们无法直接观察到的变量。它们是模型中用于生成观测数据的潜在因素，通常可以理解为数据的潜在结构或潜在原因。隐变量的存在帮助生成模型解释数据的生成过程，而这些隐变量本身并不直接出现在我们收集的数据中。【注】生成模型需要数据量大才能还原联合概率分布。生成模型能很好地处理隐变量的情况。利用所得到的模型对输入的变量进行预测，通过学习数据得到模型的方法又可以分为生成方法和判别方法。：朴素贝叶斯法、隐马尔科夫模型（时间序列，不太懂，没接触）。
2025-01-07 13:42:14
512
原创 【简博士统计学习方法】第1章：6. 泛化能力
在现实生活中，我们经常通过测试数据集来评价某一学习方法的泛化能力，但是测试数据集里包含的样本是有限的，所以仅仅用测试数据集去评价学习方法（模型）的泛化能力，有的时候并不可靠，这时候我们就要从理论出发，对学习方法的泛化能力进行一个评价。如果现在有两种学习方法，学习方法a所得到的模型具有比学习方法b所得到的模型的泛化误差小，那么这时候学习方法a就会更有效果，这就是通过泛化误差来反映学习方法的泛化能力。趋于0，那么泛化误差上界就是趋于0的（也就是说样本无穷多，模型的泛化能力就越强，因为它见过的特征多），当。
2025-01-07 13:19:58
739
原创 【简博士统计学习方法】第1章：5. 正则化与交叉验证
假如我们将样本70%作为训练集，30%作为测试集，那么在不同的情况下，我们可以通过训练集得到不同的学习模型。那么将学习到的模型通通放到测试集上去计算它的测试误差，选择测试误差最小的模型则是最优模型。：在现实情况中，样本数据通常是不充足的，那么为了选择一个好的模型，就可以采用交叉验证的方法，交叉验证的基本思想是重复使用数据以解决数据不足的这种问题。的时候都能很好地拟合数据，因为它的训练误差几乎为0，只有三次多项式是最简单的，根据奥卡姆剃刀原理应选择三次多项式来拟合数据集。作为测试集，得到一个训练模型。
2025-01-07 10:43:26
1027
原创 【简博士统计学习方法】第1章：4. 模型的评估与选择
4. 模型的评估与选择4.1 训练误差与测试误差假如存在样本容量为NNN的训练集，将训练集送入学习系统可以训练学习得到一个模型，我们将这么模型用决策函数的形式表达，也就是y=f^(x)y=\hat{f}(x)y=f^(x)，关于模型的拟合是否好坏，可以通过训练集计算训练误差进行衡量。而关于模型的预测效果也就是对未知数据预测效果的好坏，可以通过测试集来衡量，我们将测试集里所有的输入都放到预测系统里面，通过训练所得到的模型，就可以计算出一些列的预测值y^i=f^(xi)\hat{y}_i=\hat{f}
2025-01-07 10:00:01
1095
原创 【简博士统计学习方法】第1章：3. 统计学习方法的三要素
大数定律是概率论中的一个重要定理，描述了在大量独立、同分布的随机试验中，随着试验次数的增加，样本均值会趋近于期望值。这就像是抛硬币实验，当抛掷次数很少时，正面和反面的比例可能会偏离 50%，但随着投掷次数的增加，正面和反面的比例会趋近于 50%。关于监督学习的策略，追根究底就是选取一个目标函数，或者是经验风险，或者是结构风险，通过优化这个目标函数，达到一个学习模型的目的。时，经验损失趋近于风险函数。一般是有限的，有的时候甚至会很小，所以仅仅用经验风险来估计风险函数效果并不理想，所以需要对其进行一定的矫正。
2025-01-06 21:58:35
1167
原创 【简博士统计学习方法】第1章：2. 统计学习方法的基本分类
是一个样本，通过训练集学习训练出一个模型来，这个模型既可以表达成条件概率分布的形式，也可以表达成决策函数的形式。输入是每一个实例，输出是颜色类别，输入和输出成对的出现就称之为是一个样本，将这些样本作为训练集进行一个监督学习。图里的点称作是一个实例，可以通过坐标来表达，颜色类别不同（颜色类别称为输出）只含有少量标注，大多数没有标注（利用已标注的数据来学习去标注未标注的数据）的机器学习问题，其本质是学习输入到输出的映射的统计规律。：学习一个输入到输出的映射，这一映射以模型表示。所学习的数据都是已经标注过的；
2025-01-06 20:11:02
1116
原创 【简博士统计学习方法】第1章：1. 统计学习的定义与分类
统计学习（Statistical Machine Learning）是关于计算机基于数据构建概率统计模型并运用模型对数据进行预测与分析的一门学科。参数化模型适用于简单问题，非参数化模型适用于复杂问题。在线学习，每次接收一个样本，然后学习，不断重复。批量学习，一次接收一个批量，然后学习进行预测。
2025-01-06 18:48:08
557
原创 【数学建模笔记】评价模型-基于熵权法的TOPSIS模型
视频课地址：https://www.bilibili.com/video/BV1eRyVYUEhg本系列文章和课程一样，只使用Python实现，好久没玩数学建模了国赛中不能再用TOPSIS，可以做辅助算法。熵权TOPSIS方法是一种结合熵权法和TOPSIS的决策分析模型。（可以把TOPSIS换成别的评价方法，或者赋权重方法换成不是熵权法的方法，比如随机森林，也可以在TOPSIS之前聚个类）熵权法基于信息熵理论，用于计算决策指标的权重。
2025-01-05 18:52:41
1222
原创 【AI数学基础】线性代数：矩阵和线性变换
几何上，矩阵相乘是空间中两种线性变换的叠加，比如在下图当中，我们首先对向量空间进行一个旋转（Rotation），然后再进行一个剪切（Shear），这个结果相当于对向量左乘一个矩阵（错切(shear)变换实际上是平面景物在投影平面上的非垂直投影效果。如果是左乘向量，那就是按向量的行和矩阵的列向量做内积，也就是按3.3.4的算法进行，右乘也一样，列向量可看作列矩阵，行向量可看作行矩阵，矩阵和向量的乘法完全可以按照3.3.4矩阵和矩阵的乘法法则进行。对应元素相加，与向量的加法运算一致。
2025-01-05 16:48:37
1459
原创 【苏德矿高等数学】第4讲：数列极限定义-1
【定义】设an\{a_n\}an是一个给定的数列，aaa是一个确定的常数，若∀ε0∀ε0，相应地∃\exists∃自然数NNN，当nNn>NnN时，都有∣an−a∣ε∣an−a∣ε，称数列an\{a_n\}an的极限是aaa，记作limn→∞anan→∞limana或an→an→∞an→an→∞【例】1−11−1⋯−1n−。
2025-01-05 10:27:46
1204
原创 【苏德矿高等数学】第3讲：基本初等函数、初等函数和非初等函数
1. 函数1.7 基本初等函数1.7.1 常值函数y=C,Cy=C,Cy=C,C为某个常数。定义域：x∈Rx\in\mathbb{R}x∈R（全体实数）图像：1.7.2 幂函数y=xα,αy=x^{\alpha},\alphay=xα,α是常数且α≠0\alpha\ne 0α=0.定义域：x∈D:{α为自然数,x∈Rα为正无理数,x⩾0α为负无理数,x>0α为负数，有无意义的情况x\in\boldsymbol{D}:\left\{\begin{matrix}\alpha 为
2025-01-04 19:13:51
731
原创 【苏德矿高等数学】第2讲：反函数、单调函数
yfuuφx能不能复合，yfφx))定义域是∅，则yfuuφx不能复合。【例】yuu−1x2不能复合。若yfφx))定义域不是∅就是一个复合函数。【例】yuusinxysinx，定义域不是∅，因此它是一个复合函数。要使得ysinx有意义，则要求sinx⩾0，因此x∈2kπ2kππk∈Z【例】y2xyx2y2x是外函数，yx2。
2025-01-03 18:29:47
1022
原创 【苏德矿高等数学】第1讲：有界函数、无界函数、复合函数
【定义】∃\exists∃常数M0M>0M0∀x∈D∀x∈D都有∣fx∣⩽M⇔−M⩽fx⩽M∣fx∣⩽M⇔−M⩽fx⩽M，称yfxy=f(x)yfx在DD上有界。【补充，绝对值不等式】∣a±b∣⩽∣a∣∣b∣∣a±b∣⩽∣a∣∣b∣【例1】证明fxsin80x−6cos602xfxsin80x−6cos60。
2025-01-03 17:25:06
1183
原创 【数学分析笔记】第5章第1节 微分中值定理（2）
5. 微分中值定理及其应用5.1 微分中值定理5.1.4 一阶导数与单调性的关系【定理5.1.5】【一阶导数与单调性的关系】f(x)f(x)f(x)在区间I\textbf{I}I（可以是开区间，也可以闭区间，也可以半开半闭区间）定义且可导，则f(x)f(x)f(x)在I\textbf{I}I上单调增加的充分必要条件是：f′(x)≥0,∀x∈If'(x)\ge 0,\forall x\in\textbf{I}f′(x)≥0,∀x∈I.（充分条件）若∀x∈I,f′(x)>0\forall x\
2024-10-11 14:41:58
968
2
原创 【韩顺平Java笔记】第8章：面向对象编程（中级部分）【314-326】
【注】属性没有动态绑定机制虽然B类sum被注释掉了，但是其父类A类的sum方法没被注释掉，所以调用的是A类的sum方法，A类的sum方法中有个getI()方法，根据动态绑定机制，现在这个a引用的运行类型是B类，子类B里恰好也有getI()方法，所以调用getI()的时候先从子类B找，发现子类B有getI()方法，就调用子类B的getI()方法，子类B的getI()对应的返回的是B类的属性i，属性没有动态绑定机制，所以getI()返回20.
2024-10-10 16:52:16
1139
原创 【高等代数笔记】线性空间（二十四下半部分-二十六）
【证】（1）推出（2）显然，（2）推出（3），任取。（线性空间分解成有限多个子空间的直和）线性无关的集合的任意一个有限子集都是线性无关的。由（2）可知（零向量表法唯一）,根据定理3中（4）和（1）等价，（如果它有两种表示，反证法）中有限个向量线性表出，同理，里面的每一个向量都可以表示成。的一个基（每一个向量都可以由。个向量线性表出，相当于满秩）中有限个向量线性表出，于是。（3）推出（1），任取。这4个命题是等价的。（2）推出（4）任取。（4）推出（2），设。中零向量的表法唯一。的有限维的子空间，则。
2024-10-10 12:23:35
939
原创 【数学分析笔记】第5章第1节 微分中值定理（1）
5. 微分中值定理及其应用5.1 微分中值定理5.1.1 极值与极值点【定义5.1.1】f(x)f(x)f(x)定义域为(a,b)(a,b)(a,b)，x0∈(a,b)x_0\in(a,b)x0∈(a,b)，若∃O(x0,ρ)⊂(a,b)\exists O(x_0,\rho)\subset(a,b)∃O(x0,ρ)⊂(a,b)，使得f(x)≤f(x0),x∈O(x0,ρ)f(x)\le f(x_0),x\in O(x_0,\rho)f(x)≤f(x0),x∈O(x0,ρ)（以x0x_0x0为
2024-10-10 11:31:33
711
原创 【韩顺平Java笔记】第8章：面向对象编程（中级部分）【297-313】
super 代表父类的引用，用于访问父类的属性、方法、构造器【注】这里的子类和父类不一定是“一层”的关系，有可能是A<-B<-CJVM会就近调用子类的cry()方法。
2024-10-09 17:19:22
1279
原创 【数学分析笔记】第4章第5节 高阶导数和高阶微分（3）
【例4.5.8】【旋轮线（摆线）】从(1)式出发继续求导会简单一些。所以高阶微分没有形式不变性。参数表示的函数的高阶导数。高阶微分没有形式不变性。【解】在等式两侧关于。
2024-10-09 10:19:17
658
原创 【电路】1.3 电功率和能量
功率，图（f）电压电流非关联参考方向，假定发出功率，图（e）电压电流关联参考方向，假定吸收功率，图（g）电压电流关联参考方向，假定吸收功率，功率，与假定相反，实际上是吸收。是在一个时间段内消耗的能量。电是一种能量存在形式。取不同的值对应不同时刻。
2024-10-08 17:28:44
1221
原创 【韩顺平Java笔记】第8章：面向对象编程（中级部分）【285-296】
原因：创建B类对象，先执行的是B类的无参构造器，在B类的无参构造器中用this调用了有参构造器，然后B类继承于A类，A类是基类，而且有参构造器没用super()且A类有默认无参构造器，所以调用B类的有参构造器的时候，会先调用A类的无参构造器，输出a，然后再输出b name，这时候B类的有参构造器this执行后，继续执行B类无参构造器的剩下的语句b。本意是先执行父类构造器，再执行子类的构造器，但是这是不允许的。如果希望指定去调用父类的某个构造器，则显式的调用一下 : super(参数列表)
2024-10-08 14:29:07
1199
【长春理工大学】面向对象程序设计下期末复习浏览题.pdf
2020-01-30
TA创建的收藏夹 TA关注的收藏夹
TA关注的人