思緒凌亂

一：起因（1）包括冒泡算法、快排算法、插入排序算法等；还有基于外部排序的归并排序（以二路归并排序为例 ）但是基本上在一个数量级上；（2）mergesort (归并排序) 可以应用在外部排序，这与基于内存的quicksort(快速排序)略有不同，他们的算法复杂度都可以达到O(nlogn)（3)mergesort 是稳定的排序算法，需要额外的空间开销O(n)

一：简介（1）HTML Parser是一个用于解析Html的Java的库，可采用线性或嵌套两种方式。主要用于网页的转换或提取，他有一些特性：过滤器filter，遍历器visitors，通常的标签tagName和易用的JavaBeans。它是一个快速，健壮，并严格测试过的组件。（2）个人理解：HTMLParser遍历了网页的内容以后，以树（森林）结构保存了结果，各个节点代表HTML中的标签和

一：起因（1）最近一直在处理大数据，从MB ----> GB的变化，是一次质的飞跃，相应的工具也在变 从widows到linux，从单机单核 到 hadoop多节点的计算（2）问题来了，面对海量的数据，如何从中挖掘实用的信息或者发现潜在的现象，可视化工具可能是必不可少的 ；（3）可视化工具可以说百度一大篇，可是作为研究者的我们，程序猿的我们可能更希望能够抽象出一种数学模型，

（1）做大数据处理，清洗数据结束后，就是现象分析，再建立Model模型，在验证自己模型的有效性（2）大数据试验验证模型有效性的指标：Accuracy（正确率）；Precision（查准率或准确率）；Recall（查全率或召回率）；F1-MeasureTrue Positives, True Negatives, False Positives, False Negatives 下面分别

一：剪枝策略的寻找的方法1）微观方法：从问题本身出发，发现剪枝条件2）宏观方法：从整体出发，发现剪枝条件。3）注意提高效率，这是关键，最重要的。总之，剪枝策略，属于算法优化范畴；通常应用在DFS 和 BFS 搜索算法中；剪枝策略就是寻找过滤条件，提前减少不必要的搜索路径。二：剪枝算法(算法优化)1、简介    在搜索算法中优化中，剪枝，就是通过某种判断，避免一些

一：简介（1）记忆化搜索 即 搜索+动态规划数组记录上一层计算结果，避免过多的重复计算算法上依然是搜索的流程，但是搜索到的一些解用动态规划的那种思想和模式作一些保存；一般说来，动态规划总要遍历所有的状态，而搜索可以排除一些无效状态。更重要的是搜索还可以剪枝，可能剪去大量不必要的状态，因此在空间开销上往往比动态规划要低很多。记忆化算法在求解的时候还是按着自顶向下的顺序，但是每求解

一：简介（1）回溯法 又称试探法回溯法的基本做法是深度优先搜索，是一种组织得井井有条的、能避免不必要重复搜索的穷举式搜索算法；基本思想是：从一条路往前走，能进则进，不能进则退回来，换一条路再试。适用场景：当遇到某一类问题时，它的问题可以分解，但是又不能得出明确的动态规划或是递归解法，此时可以考虑用回溯法解决此类问题。回溯法的优点在于其程序结构明确，可读性强，易于理解，而且通过对问题的分

一：简介（1）相信做过ACM的人，都很熟悉图和树的深度优先搜索；算法里面有蛮力法 —— 就是暴力搜索（不加任何剪枝的搜索）；（2）蛮力搜搜需要优化时，就是需要不停的剪枝，提前减少不必要的搜索路径，提前发现判断的过滤条件；（3）剪枝的核心问题就是设计剪枝判断方法，哪些搜索路径应当舍弃，哪些搜索路径不能舍弃（保留）；（4）高效的剪枝过滤条件需要从局部和全局来考虑问题，发现内在的规律。

一：python 简介（1）Python的由来Python（英语发音：/ˈpaɪθən/）, 是一种面向对象、解释型计算机程序设计语言，由Guido van Rossum于1989年底发明，第一个公开发行版发行于1991年。Python语法简洁而清晰，具有丰富和强大的类库。它常被昵称为胶水语言，它能够把用其他语言制作的各种模块（尤其是C/C++）很轻松地联结在一起。常见的一种应用情

一：HMM解码问题（1）给定一个观察序列O=O1O2...OT,和模型μ=（A,B,π），如何快速有效地选择在一定意义下“最优”的状态序列Q=q1q2...qT，使该状态最好地解释观察序列。（2）最可能的隐藏状态序列(Finding most probable sequence of hidden states)；对于一个特殊的隐马尔科夫模型(HMM)及一个相应的观察序列，我们常常希望能找

一：起因（0）开始个人非常抵触MATLAB编程语言的，肯能是部分编程人员的通病 —— 学会c/c++或者java，就会鄙视其他的语言，懒得尝试其他语言。直到有一天……他发现，他或者她发现自己精通的这门语言实在是解决不了这个问题时，才做出改变。（1）最近一直在处理大数据，从MB ----> GB的变化，是一次质的飞跃，相应的工具也在变 从widows到linux，从单机单核 到 ha

一：简介以及学习的途径（1）吉布斯采样（Gibbs Sampling)及相关算法  （学习向Gibbs sampling, EM,  MCMC算法 等的好地方）       1） 推荐大家读Bishop的Pattern Recognition and Machine Learning，讲的很清楚，偏理论一些；       2） 读artificial Intelligence，2、3版

一：交叉验证（crossvalidation）（附实验的三种方法）方法简介  （1） 定义：交叉验证(Cross-validation)主要用于建模应用中，例如PCR（Principal Component Regression） 、PLS（Partial least squares regression）回归建模中。在给定的建模样本中，拿出大部分样本进行建模型，留小部分样本用刚建立的

一：起因（1）最近一直在处理大数据，从MB ----> GB的变化，是一次质的飞跃，相应的工具也在变 从widows到linux，从单机单核 到 hadoop多节点的计算（2）问题来了，面对海量的数据，如何从中挖掘实用的信息或者发现潜在的现象，可视化工具可能是必不可少的 ；（3）可视化工具可以说百度一大篇，可是作为研究者的我们，程序猿的我们可能更希望能够抽象出一种数学模型，对现实的现象

一：HMM解码问题（1）编程深处无非就是算法和结构，以及各种架构和版本的管理（如Git管理），因此作为程序员算法这一关是绕不过去的；（2）关于算法，个人比较崇尚的一本书是《算法导论》和ACM实战系类的算法培训；（3）对于自然语言处理领域或者部分机械学习领域的算法，HMM模型是非常经典的算法之一，非常适合初学者学习和研究；（4）HMM模型μ=（A,B,π），的状态是不可见

一：起因（0）大数据的预处理那一篇博客，仅仅讲解了如何处理数据，以及清洗数据的原则；并没有讲解大数据处理过程中，数据在内存中的存储问题，这正是本文要关注的重点。（1）所谓大数据，就是数据量非常的大，到了TB 甚至 PB数量级，处理大数据可以分为以下方法：（2）运用现在非常火的Hadoop 和 spark 之外（其实是一个非常好的成熟的分布式框架 ---- 用的也是分治的思想）；（3

一：起因（1）函数指针是指向函数的指针变量，即本质是一个指针变量，是一个指向函数（可能是代码区）的首地址的指针，正如我们都知道，数组名就是指向数组第一个元素的常量指针，对于一个函数而言，函数名也是指向函数第一条指令的常量指针。大话 回调函数 和 枚举（2）而回调函数就是C语言里面对函数指针的高级应用，回调函数是一个通过函数指针调用的函数。如果你把函数指针(函数的入口地址)传递给

一：起因（1）最近用于任务需要一直在爬取网页HTML的内容，与类似于爬虫的HtmlParser接触的比较多，爬取无非就是过滤自己想要的信息，因此Filter是核心，当然String类中的matches（regex）函数和contains(str)函数也是非常有用的（2）经常和爬虫打交道就会分析各式各样的网站设计以及布局：用的设计的非常有规律，如QQ空间，微博信息等爬取非常简单（当时要想翻页

一：为什么要预处理数据？（1）现实世界的数据是肮脏的（不完整，含噪声，不一致）（2）没有高质量的数据，就没有高质量的挖掘结果（高质量的决策必须依赖于高质量的数据；数据仓库需要对高质量的数据进行一致地集成）（3）原始数据中存在的问题：不一致 —— 数据内含出现不一致情况重复不完整 —— 感兴趣的属性没有含噪声 —— 数据中存在着错误、或异常（偏离期望值）的数据高维度

一：起因（0）优化算法（Optimization Algorithm）,即求目标函数的最优值问题；如何评价你的当前解的值是最优的？这就需要构造评价函数；如何从当前的位置（解）更新到新的搜索空间？这就需要变换的形式的定义。（1）优化算法无处不在 —— 实际生活中的 物资调配，一定的生产资料如何得到最大的产出，一定的投资如何得到最佳的收益等等，都可以转化为最优化问题的求解；就连我们平常生活中的