- 综合排序
- 最热优先
- 最新优先
- 来自专栏运维开发王义杰
如何学习算法
学习算法是计算机科学和编程的重要部分，它能帮助我们更有效地解决问题并提高代码的性能。以下是一些学习算法的建议： 1. 理解基本概念：首先，需要理解算法的基本概念，包括时间复杂度和空间复杂度，这可以帮助我们理解算法的效率。 2. 学习基本的数据结构：数据结构是算法的基础，如数组，链表，堆栈，队列，散列表，树，图等。 学习基本的算法：然后，我们可以开始学习基本的算法，包括排序算法（如冒泡排序，选择排序，插入排序，快速排序等），查找算法（如二分查找），图算法（如深度优先搜索和广度优先搜索），动态规划等。 4. 做练习题：理论学习是重要的，但实践是真正理解算法的关键。我们可以在在线编程平台（如LeetCode，HackerRank等）上做一些算法题。 5. 持续学习和反思：算法是一个深入的主题，需要持续学习和反思。不要担心进展的速度，重要的是理解和掌握。
50110编辑于 2023-08-16 - 来自专栏userlyz学习记录
java学习之算法2
@ 字符串比较 BF算法即为暴力破解算法 通过一位一位的移动，和比较来确定了，相重复的字符串 RK算法属于hash算法 通过一位一位的移动，来计算和相比较的目标字符串的hash值，这个减少比较的次数，但是也会出现需要移动一次 ，比较整个字符串的内容，跟暴力算法一样了 BM算法 BM算法 坏字符规则：从右往左匹配，从要找的A字符串中找到第一个不匹配的字符（就是坏字符），将B字符串右移，直到B串中出现与A串坏字符对齐，再往左边继续寻找坏字符
30030编辑于 2022-08-18 - 来自专栏Jack96
机器学习_knn算法_2
datasets.load_iris()得到的不是字典是普通的hash类型，因为pandas，matplotlib,sklearn,numpy都是由c封装的，所有的库不是python写的都是由c封装的 是一个元类 In [2] ,y_test = train_test_split(data,target,test_size=0.1) 进行训练(只是为了训练出一组数学模型) k : n_neighbors=5 n_jobs=2 from sklearn.neighbors import KNeighborsClassifier knn = KNeighborsClassifier(n_neighbors=5,n_jobs=2) 0.92） /0.98 对 0.89（训练的数据中没有异常值） 欠拟合 ： 两者都低，或则差异较大（一般不会出现这种情况，数据量及其少的时候会出现） 网格搜索（找值高的）和交叉验证（找相对较高的）(优化算法 ) grid search & cross validation GridSearchCV (可见网络搜索较重要一些) estimator : 估计器，算法(要求写算法的实例，knn) param_grid
72440编辑于 2023-03-07 - 来自专栏小道
机器学习学习笔记(2) -- 推荐算法
1、推荐系统涉及的知识 电子商务业务知识、网站架构运营、机器学习算法、数学建模、大数据平台… 2、推荐系统涉及的常见算法 聚类、关联模式挖掘、大规模矩阵运算、文本挖掘、复杂网络和图论计算等… 3 ，实现方法有基于邻域、基于隐语义模型、基于图的随机游走算法等，目前使用最多的是基于邻域的推荐算法，基于邻域的推荐算法又分为基于物品推荐算法和基于用户推荐算法。 实现基于邻域的算法思路举例： 推荐数据准备：用户id、物品id、偏好值 --- 把数据看成空间中的向量 (1)建立物品的同现矩阵 (2)建立用户对物品的评分矩阵 (3)矩阵计算推荐结果 --- 、结果解读… 算法评估：查准率、召回率（查全率）… 5、Mahout – Hadoop的子项目 Mahout中推荐算法支持单机算法和分布式算法两种，Mohout的推荐系统引擎分为5个模块： 数据模型 Apriori算法： ①找出所有频繁项集 ②由频繁项集产生强关联规则 提高Apriori算法的效率： 基于散列的算法 基于FP tree的算法 7、基于内容的推荐算法 基于内容的推荐算法常见的有根据商品属性和分类进行推荐
1.1K30发布于 2021-04-13 - 来自专栏云时之间
机器学习常用算法分类(2)
常用于解决的问题有聚类，降维和关联规则的学习。常用的算法包括了Apriori算法和K均值算法 半监督学习：半监督学习的输入数据包含标签和不带标签的样本。 常用的算法是对所有的无标签的数据建模进行的预测算法（可以看做无监督学习的延伸） 2：从功能角度分类 1：回归算法：回归分析是研究自变量和因变量之间关系的一种预测模型技术。 常用的回归算法包括： 普通最小二乘回归（OLSR），线性回归，逻辑回归，逐步回归，多元自适应回归样条法（MARS),局部估计平滑散点图（LOESS） 2：基于实例的学习算法：基于实例的学习通过训练数据样本或者实例建模 （memory-based-learning） 常用的基于实例的学习算法包括： K-临近算法（KNN），学习矢量量化算法（LVQ）,自组织映射算法（SOM），局部加权学习算法（LWL） 3：正规化算法： 深度学习算法会搭建规模更大，结果更复杂的神经网络，就很我前几天的那篇所说的，很多深度学习算法都牵扯半监督学习问题，这样的问题一般数据一般量很多，并且只有很少的部分会带有标签。
1.1K80发布于 2018-04-11 - 来自专栏文章翻译
如何实现机器学习算法
在代码中实现一个机器学习算法可以教你很多关于算法和它的工作原理。 在这篇文章中，您将学习如何有效地实现机器学习算法，以及如何最大限度地从这些项目中学习。 算法理解 实现一个机器学习算法将给你一个关于算法如何工作的深刻和实际的理解。这些知识还可以帮助您对算法的数学描述深化理解，即将向量和矩阵看作是数组，以及对这些结构进行转换的计算直觉。 您正在进行有针对性的研究，并学习如何阅读和实际使用学术出版物。 流程 你能跟着一个流程走，这个流程可以来加速你的学习能力和从零开始手动实现机器学习算法的能力。 程序员（比如数学家）在抽象方面有着独特的技能，你可以看到算法是如何被应用到更一般的一类问题或其他问题的。 限制 你可以通过动手实现机器学习算法学到很多东西，但是也要记住一些缺点。 在考虑如何将其改变为编程不够优雅，但在计算上更高效之前，您可能会发现从较慢直观的复杂算法实现开始是有益的。 示例项目 一些算法比其他算法更容易理解。
93390发布于 2018-02-08 如何实现机器学习算法
在代码中实现一个机器学习的算法能够使你更加了解该算法以及其工作机理。 在这篇文章中，你将学习如何有效地实现机器学习方面的算法，以及最大限度地从中有所收获。 实现机器学习算法的好处 对于如何运用机器学习这一问题，你可以将实现机器学习算法作为一种解决方案。而且你还能够挖掘算法实现方面的相关基础知识以及技能。 算法的理解 实现一个机器学习算法后，你将会对算法是如何工作有一个深刻且实际的印象。通过思考如何将向量和矩阵转化为数组以及这些转化背后的计算直觉，这些知识还能够帮助你理解算法数学描述的内在。 你不得不查找以及阅读算法的多个规范和正式描述。你也可能找到并编写代码来检查算法的其他实现，以验证你的理解。你正在进行有针对性的研究，并学习如何阅读和实际运用上关于该研究的出版物。 对代码进行良好注释并确保提供有关如何构建和使用它的说明。这个项目能够为你正在学习的技能提供市场，甚至可以会为其他正准备进入机器学习领域的人提供灵感和帮助。
1.2K100发布于 2018-02-02如何研究机器学习算法
算法是机器学习领域的重要组成部分。 您需要了解哪些算法在那里，以及如何有效地使用它们。 简化这一知识的简单方法是查看已知的算法，并对其进行研究。 你可以描述一个算法如何作为一个数学方法，但要理解它的行为在实践中，你必须研究它的行动。 2.来源 精髓来源是算法的专家来源和原始描述。 精确的来源对于进入原作者的头脑或者机器学习算法的描述器是有利的，并且可以排除算法参数和过程的意图。 4.用法启发式来源 在实际应用中研究机器学习算法时，使用启发式算法和最佳实践可能是您感兴趣的关键信息类型。 使用启发式源提供了一个关于如何在实践中使用给定的机器学习算法的专家描述。 这些资源是由专家或半专家在图书馆和工具中作为例子提供机器学习算法的实现。样本可能会根据许可或开源许可证发布，供您学习。 这些资源是很好的想法如何给机器学习算法可以被转换成一个可执行和可用的系统。
1.9K70发布于 2018-02-23- 来自专栏算法人生
算法人生（2）：从“强化学习”看如何“活在当下”
AIGC时代里每种算法都各有特色，各有优缺点，如何应用到业务层面还是要看实际的场景，但这些算法的思路也可以被应用到个人的生活中。今天我们聊一聊在个人的生活可中，可以从“强化学习”的思路里借鉴到什么。 强化学习概念，大意是说智能体在环境中通过与该环境的互动学习来学到如何最大化累积奖励的过程，它不像监督学习那样预先知道所有的标签（即正确的输出），它必须在有限的、连续的互动中积累经验，并通过这些即时反馈来调整行为 强化学习大概有以下几个步骤：初始化策略：智能体首先有一个随机或预设的初始策略来决定如何在不同状态下行动。观察与行动：智能体观察当前环境状态，并按照当前策略选择一个行动。 虽然强化学习并不是完全忽视历史信息或未来预测，它也会通过优化算法和模型设计，确保智能体能够有效地利用历史信息并在当前决策中考虑到未来可能的后果，它也会在平衡即时决策和历史信息利用之间寻求最优策略。 2. 何为“活”？关于怎么活，佛陀也说过“未来之心不可得，过去之心不可得，现在之心不可得”。“过去之心和未来之心不可得，其实不难理解，难的是为何现在之心也不可得？
51221编辑于 2024-05-14 - 来自专栏深入浅出区块链技术
Uniswap V2 学习笔记2. 交易算法
本文作者：tony.ho[1] 大家好, 今天继续分享 Uniswap V2 的学习心得, 今天的内容是 Uniswap[2]的交易算法 Uniswap 核心思想 A * B = K 在不考虑手续费的情况下 下面我们学习一下这个交易算法的实现代码 这个算法在两个地方都有实现, 一个是 core/UniswapV2Pair.sol 的 swap 函数: function swap(uint amount0Out ; reserve1 = uint112(balance1); ... } (这个函数还更新了一些统计信息, 如价格积分, 最后更新的时间戳等) 流动性添加和移除 流动性添加和移除的算法比较简单 UniswapV2Library.pairFor(factory, output, path[i + 2]) : _to; IUniswapV2Pair(UniswapV2Library.pairFor fee-on-transfer 的币种, 调用 _swap 改成调用 _swapSupportingFeeOnTransferTokens 函数 OK, 今天的内容基本介绍了 pair 和 router 的交易算法
2.3K20编辑于 2022-05-25 - 来自专栏CSDN技术头条
如何选择机器学习算法
如何针对某个分类问题决定使用何种机器学习算法？当然，如果你真心在乎准确率，最好的途径就是测试一大堆各式各样的算法（同时确保在每个算法上也测试不同的参数），最后选择在交叉验证中表现最好的。 其主要缺点是它学习不了特征间的交互关系（比方说，它学习不了你虽然喜欢甄子丹和姜文的电影，却讨厌他们共同出演的电影《关云长》的情况）。 与决策树与支持向量机相比，你还会得到一个不错的概率解释，你甚至可以轻松地利用新数据来更新模型（使用在线梯度下降算法）。 它的一个缺点就是不支持在线学习，于是在新样本到来后，决策树需要全部重建。另一个缺点是容易过拟合，但这也就是诸如随机森林（或提升树）之类的集成方法的切入点。 尽管如此，回想一下，好的数据却要优于好的算法，设计优良特征是大有裨益的。假如你有一个超大数据集，那么无论你使用哪种算法可能对分类性能都没太大影响（此时就根据速度和易用性来进行抉择）。
841100发布于 2018-02-09 - 来自专栏数据科学（冷冻工厂）
机器学习经典算法：决策树（2）
概述 决策树（Decision Tree）是有监督学习中的一种算法，并且是一种基本的分类与回归的方法。决策树有两种：分类树和回归树。 树形结构 树形结构 2. 构建 过程包括：特征选择、决策树的生成和决策树的剪枝 特征选择 标准：希望决策树的分支节点所包含的样本尽可能属于同一类别，也就是节点的纯度（purity）越来越高。 iset = dataSet.iloc[:,-1].value_counts() #标签的所有类别 p = iset/n #每一类标签所占比 ent = (-p*np.log2( 递归构建 ID3 构建决策树的算法有很多，比如ID3、C4.5和CART，本文选择ID3算法。
64020编辑于 2023-02-27 - 来自专栏数据科学（冷冻工厂）
机器学习经典算法：决策树（2）
概述决策树（Decision Tree）是有监督学习中的一种算法，并且是一种基本的分类与回归的方法。决策树有两种：分类树和回归树。 树形结构图片2. 构建过程包括：特征选择、决策树的生成和决策树的剪枝特征选择标准：希望决策树的分支节点所包含的样本尽可能属于同一类别，也就是节点的纯度（purity）越来越高。 数据集总行数 iset = dataSet.iloc[:,-1].value_counts() #标签的所有类别 p = iset/n #每一类标签所占比 ent = (-p*np.log2( 递归构建ID3构建决策树的算法有很多，比如ID3、C4.5和CART，本文选择ID3算法。
69920编辑于 2023-01-19 - 来自专栏Chuanrui 初见之旅
算法学习笔记（2）树状数组【转】
无奈之下，Tidy只好打电话向计算机专家Windbreaker求救,Windbreaker说：“死肥仔，叫你平时做多点acm题和看多点算法书，现在尝到苦果了吧!”Tidy说："我知错了。。。" 我们定义，二进制数最右边的一个1，连带着它之后的0为 （稍后再来看如何实现）。那么我们用 维护区间 ，这样显然查询前n项和时需要合并的区间数是少于 的。 树状数组的结构大概像下面这样： 那么如何更新呢，大家会发现更新就是一个“爬树”的过程。一路往上更新，直到MAXN（树状数组的容量）。 我们举个例子来看看这树是怎么爬的。 例如，我们要求5 4 1 3 2的逆序对。用ans记录非严格顺序对的数量。 我们按顺序去填充树状数组，第一个数字是5，这时没有数比5小，所以ans保持为0。我们把tree[5]填为1。 下一个数字是2，这时query(2)为1，说明前面有一个数比2小，ans再加1变为2。然后填tree[2]。 最后一个数字是4，query(4)为3，说明前面有3个数比4小，ans加3变为5。
75210编辑于 2022-11-14 - 来自专栏杨熹的专栏
机器学习算法应用中常用技巧-2
pca.transform(good_data) reduced_data = pd.DataFrame(reduced_data, columns = ['Dimension 1', 'Dimension 2' 聚类－选择类别数 用 silhouette coefficient 计算每个数据到中心点的距离，-1 (dissimilar) to 1 (similar) 根据这个系数来评价聚类算法的优劣。 sklearn.cluster import KMeans from sklearn.metrics import silhouette_score cluster = KMeans(n_clusters=2, truth and prediction""" if len(truth)==len(pred): return "Accuracy for prediction: {:.2f
88340发布于 2018-04-02 - 来自专栏小鹏的专栏
机器学习算法应用中常用技巧-2
pca.transform(good_data) reduced_data = pd.DataFrame(reduced_data, columns = ['Dimension 1', 'Dimension 2' 聚类－选择类别数 用 silhouette coefficient 计算每个数据到中心点的距离，-1 (dissimilar) to 1 (similar) 根据这个系数来评价聚类算法的优劣。 sklearn.cluster import KMeans from sklearn.metrics import silhouette_score cluster = KMeans(n_clusters=2, truth and prediction""" if len(truth)==len(pred): return "Accuracy for prediction: {:.2f
825100发布于 2018-01-09 - 来自专栏null的专栏
简单易学的机器学习算法——协同过滤推荐算法(2)
具体的可以参见上一篇文章“协同过滤推荐算法(1) ”。 二、面临的问题 在基本的协同过滤的推荐系统中(主要指上面所提到的基本模型中)，我们是在整个空间上计算相似度，进而实现推荐的。 对于这样的稀疏矩阵，我们利用基本的协同过滤推荐算法的效率必将很低。 （推荐结果） MATLAB代码 主程序 %% 主函数 % 导入数据 %data = [4,4,0,2,2;4,0,0,3,3;4,0,0,1,1;1,1,1,2,0;2,2,2,0,0;1,1,1,0,0 ;5,5,5,0,0]; data = [2,0,0,4,4,0,0,0,0,0,0;0,0,0,0,0,0,0,0,0,0,5;0,0,0,0,0,0,0,1,0,4,0;3,3,4,0,3,0,0,2,2,0,0 1:numOfIndex sortIndex(m,:) = itemScore(sortIndex_1(m,:),1); end end 相似度的计算与博文“协同过滤推荐算法
63620发布于 2019-02-13 - 来自专栏null的专栏
简单易学的机器学习算法——协同过滤推荐算法(2)
具体的可以参见上一篇文章“协同过滤推荐算法(1) ”。 二、面临的问题 在基本的协同过滤的推荐系统中(主要指上面所提到的基本模型中)，我们是在整个空间上计算相似度，进而实现推荐的。 对于这样的稀疏矩阵，我们利用基本的协同过滤推荐算法的效率必将很低。 （推荐结果） MATLAB代码 主程序 %% 主函数 % 导入数据 %data = [4,4,0,2,2;4,0,0,3,3;4,0,0,1,1;1,1,1,2,0;2,2,2,0,0;1,1,1,0,0 ;5,5,5,0,0]; data = [2,0,0,4,4,0,0,0,0,0,0;0,0,0,0,0,0,0,0,0,0,5;0,0,0,0,0,0,0,1,0,4,0;3,3,4,0,3,0,0,2,2,0,0 1:numOfIndex sortIndex(m,:) = itemScore(sortIndex_1(m,:),1); end end 相似度的计算与博文“协同过滤推荐算法
84160发布于 2018-03-15 - 来自专栏PPV课数据科学社区
【学习】R语言与机器学习学习笔记（2）决策树算法
决策树的构建 一、KD3的想法与实现 下面我们就要来解决一个很重要的问题：如何构造一棵决策树？这涉及十分有趣的细节。 那么如何处理这些问题，C4.5算法不失为一个较好的解决方案。 二、C4.5算法 C4.5算法描述 ： （1） 创建根节点N; （2） IF T都属于同一类C，则返回N为叶节点，标记为类C； （3） IF T_attributelist为空或T中所剩的样本数少于某给定值则返回 三、 CART算法 CART算法描述 （1） 创建根节点N; （2） 为N分配类别； （3） IF T都属于同一类别OR T中只剩一个样本 则返回N为叶节点， ； （7） 调用cartformtree(T1); （8） 调用cartformtree(T2)； 以鸢尾花数据集为例，使用cart算法，得到决策树： 要实现
1.3K90发布于 2018-04-19 - 来自专栏Android 技术栈
如何学习数据结构与算法
什么是算法？ 从广义上讲，数据结构就是指一组数据的存储结构。算法就是操作数据的一组方法。 从狭义上讲，也就是我们专栏要讲的，是指某些著名的数据结构和算法，比如队列、栈、堆、二分查找、动态规划等。 数据结构和算法解决的是如何更省、更快地存储和处理数据的问题。 10个算法： 递归、排序、二分查找、搜索、哈希算法、贪心算法、分治算法、回溯算法、动态规划、字符串匹配算法。 学习技巧： 边学边练，适度刷题 多问、多思考、多互动 打怪升级学习法 我们在枯燥的学习过程中，也可以给自己设立一个切实可行的目标 知识需要沉淀，不要想试图一下子掌握所有 ----
58450发布于 2019-04-19
腾讯云开发者
Copyright © 2013 - 2026 Tencent Cloud. All Rights Reserved. 腾讯云 版权所有
深圳市腾讯计算机系统有限公司 ICP备案/许可证号：粤B2-20090059 
粤公网安备44030502008569号
腾讯云计算（北京）有限责任公司 京ICP证150476号 | 京ICP备11018762号