- 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 - 来自专栏深度学习和计算机视觉
【从零学习OpenCV 4】Canny算法
经过几个月的努力，小白终于完成了市面上第一本OpenCV 4入门书籍《OpenCV 4开发详解》。 本节中最后介绍的边缘检测算法是Canny算法，该算法不容易受到噪声的影响，能够识别图像中的弱边缘和强边缘，并结合强弱边缘的位置关系，综和给出图像整体的边缘信息。 Step4：应用双阈值法划分强边缘和弱边缘。 Canny算法具有复杂的流程，然而在OpenCV 4中提供了Canny()函数用于实现Canny算法检测图像中的边缘，极大的简化了使用Canny算法提取边缘信息的过程。 图5-35 myCanny.cpp程序中图像提取边缘结果 经过几个月的努力，市面上第一本OpenCV 4入门书籍《OpenCV 4开发详解》将春节后由人民邮电出版社发行。
1.5K10发布于 2020-02-12 - 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。 您可以通过对算法进行实验，将其应用于很多问题，并提炼出其行为方式，以及如何在面对不同的问题类型时揭露和利用这些行为。 或者，您可以采取的捷径是深入了解其他人在您之前了解的算法。 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- 来自专栏机器学习/数据可视化
机器学习实战-4-KNN算法总结
机器学习实战-4-KNN算法总结 在前两篇文章机器学习实战-2-KNN和机器学习实战-3-基于KNN的约会网站配对实现中结合实际案例详细讲解了KNN算法的知识，主要包含： 算法的原理及概述 算法的主要步骤 图解KNN算法 如何建立KNN分类 电影分类和约会网站配对案例 还有其他的内容，比如KNN算法中使用的欧式距离涉及到的机器学习中的度量问题、jupyter notebook中如何使用KNN算法等。 算法理论 KNN算法 功能 分类（核心），回归 算法类型 有监督学习-惰性学习 数据输入 特征矩阵至少包含k个训练样本，数据标签特征空间中的各个特征的量纲需要统一，如果不统一，需要做归一化处理自定义的的超参数 "].tolist()}) # 3、根据距离升序排列，取出前k个 dist_sorted = dist_labels.sort_values(by="dist")[:k] # 4、 ：《统计学习方法》 3、机器学习实战教程（一）：K-近邻算法(史诗级干货长文)
94310发布于 2021-03-03 - 来自专栏caoqi95的记录日志
深度学习笔记4-模型优化算法
「这里记录的是吴恩达Andrew Ng在深度学习课程中提到过的优化算法，以及其他受推荐的优化算法。 如果采用较大的学习速率，摆动就会超出函数的范围（如紫色线所示）。所以要采取的策略就是使垂直方向上的学习速度减慢，使水平方向上的学习速度加快。Momentum就是这样的一种策略。 最后在几次迭代后就能够快速的到达最小值附近（如上图红线所示） 3.RMSprop 还有一个算法叫做RMSprop，全称是root mean square prop，也是一种能加快梯度下降的算法。 策略也是在垂直方向上减慢学习速度，在水平方向上则加快学习速度。实行过程与Momentum相似，但有一点差异。 同理计算sdb=βsdb+(1-β)db2； 最后更新权重w = w-αdw/sqrt(sdw+ε)和偏置b = b-αdb/sqrt(sdb+ε) (常用ε=10-8,加上ε是防止分母为零的情况出现) 4.
94320发布于 2019-03-27 - 来自专栏人工智能的秘密
4种普遍的机器学习分类算法
本文主要介绍了 4 种应用比较普遍的的机器学习算法，但是机器学习算法还有其他很多不同的算法，大家感兴趣的可以自己去了解。 4.如果 ，则 。 朴素贝叶斯算法在执行文本分类等工作是会有很好的效果，比如朴素贝叶斯算法常被使用于垃圾邮件的过滤分类中。 SVM算法 支持向量机（Support Vector Machine，常简称为 SVM）是一种监督式学习的方法，可广泛地应用于统计分类以及回归分析。 基于 KNN 的算法 K - 近邻算法，简称 KNN（k-Nearest Neighbor），它同样是一个比较简单的分类、预测算法。 人工神经网络是如何工作的？
1.7K00发布于 2017-12-25 - 来自专栏罗西的思考
PyTorch 如何实现后向传播 (4)---- 具体算法
[源码解析] PyTorch 如何实现后向传播 (4)---- 具体算法 0x00 摘要 前文中我们介绍了反向传播引擎的动态逻辑，因为具体反向传播算法是在设备线程中完成的，所以我们单独用一章来讲解。 如何找到 ReadyQueue？ 我们具体看看如何依据 is_ready 的数值来对 not_ready 进行操作。 ---> push(NodeTask) +-----> | ReadyQueue | | 4 的动态图(下) PyTorch的动态图(上) PyTorch Internals 5：Autograd的实现 A GENTLE INTRODUCTION TO TORCH.AUTOGRAD PyTorch学习笔记
1.4K20发布于 2021-11-02 - 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SuperFeng
机器学习系列 4：线性回归的梯度下降算法
之前我们已经学过了线性回归、代价函数和梯度下降，但是他们就像一个人的胳膊和腿，只有组合在一起才会成为一个「完整的人」，这个「完整的人」就是一个机器学习算法，让我们一起来学习第一个机器学习算法吧。 这个机器学习算法叫做线性回归的梯度下降算法（Gradient Descent For Linear Regression），还记得我们学过的线性回归函数、代价函数和梯度下降算法吗？ 带入梯度下降算法中，得到： ? 这个算法也叫做「Batch」梯度下降（「Batch」 Gradient Descent ），他的特点就是每次进行梯度下降都要使用整个数据集。 恭喜你，到目前为止你已经学会了第一个机器学习算法！这个算法在解决线性回归问题中十分好用。你已经成功地在通往机器学习的道路上迈出一小步了。
71010发布于 2019-09-26 - 来自专栏AI机器学习与深度学习算法
机器学习入门 4-1 k近邻算法基础
本系列是《玩转机器学习教程》一个整理的视频笔记。本小节主要介绍K近邻算法。 ? K近邻算法 k近邻算法是机器学习中最简单的算法之一，他是入门机器学习中的第一个算法。 K近邻算法： 思想极度简单； 应用数学知识少（近乎为零）； 效果比较好； 可以解释机器学习算法使用过程中很多细节问题 更完整的刻画机器学习应用流程 ? 如果使用K近邻算法，我们需要给定一个K值，K值是一个超参数，由我们根据经验自己指定，此时我们给定k = 3。 ? 预测新的数据点 K近邻要做的就是假设有了一个新的数据x，我们需要通过k近邻算法知道新的数据点x属于哪一个类别。也就是说，他最有可能是良性肿瘤还是恶性肿瘤。 ? 根据K近邻算法，从图中直观来看，蓝色数据点也就是新的数据点属于红色点也就是恶性肿瘤的概率大一些。接下来就使用K近邻算法来预测这个蓝色数据点类别。 ?
67410发布于 2019-11-12 - 来自专栏云+分享
学习笔记 | 《算法导论》之从入门到放弃（4）
算法导论打卡4，主要内容：快速排序 第七章 快速排序 快速排序的描述 def quicksort(arr,low,high): if low<high : index
21720编辑于 2021-12-14 - 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 - 来自专栏PPV课数据科学社区
如何选择Microsoft Azure机器学习算法
编者按：机器学习的算法很多，如何选择一直是初学者的一个痛点。本文给出了机器学习算法选择的方法和实例，不仅适用于Microsoft Azure框架，同样可以应用于其他场合。 这取决于算法上的数学知识如何转换为您正在使用的计算机的指令。这取决于你有多少时间。在尝试之前，即使是最有经验的数据科学家也不知道哪种算法的性能最好。 本文将向您介绍如何使用它。 如何使用速查卡 用标签“For <path label> use <algorithm>”读取图表上的路径和算法。 还有一个孤立的聚类算法（K均值https://msdn.microsoft.com/library/azure/5049a09b-bd90-4c4e-9b46-7c87e3a36810/）。
1.4K60发布于 2018-04-24 - 来自专栏新智元
AI算法如何学习写作政治演讲？
该机器已经学会如何写作与真实演讲极其相似的政治演讲稿。 这个方法在原理上很直白。Kassarnig用了53次美国国会议员讨论会中将近4000个政治演讲片段数据集来训练机器学习算法生成演讲。 当然，如何分析这些数据库才是重点。尝试了很多技术之后，Kassarnig选定了一个方法，该方法基于n元短语模型（n-grams），n个词汇或短语的序列。 Kassarnig以告诉算法它应该写哪种演讲作为开始——是为民主党还是为共和党而写。接着这个算法会挖掘该类别演讲的6元短语数据库来找到这类演讲中所有被用作开头的5元词语。 这个系统应该是这样运行的，破产法庭通过评估包括收入、资产、以及债务在内的众多因素来决定哪些债务可以被偿还、消费者能够如何重新恢复元气。请维护他们的成长并给予他们机会。请通过这项法律吧！” 他说，也许可能是因为想要利用该算法的不择手段的政治家太稀少了吧（咳）。 然而，这种算法可被用于生成其他类型的文本。
1.3K50发布于 2018-03-14 - 来自专栏AI机器学习与深度学习算法
机器学习入门 9-4 实现逻辑回归算法
全文字数：864字 阅读时间：8分钟 前言 本系列是《玩转机器学习教程》一个整理的视频笔记。本小节主要依据sklearn的设计理念封装我们自己的逻辑回归算法，最后在jupyter中调用并实现。 a 实 现 逻 辑 回 归 算 法 在之前的小节中详细推导了逻辑回归算法的损失函数。 由于逻辑回归算法没有解析解，只能通过梯度下降算法更新迭代求解，因此我们又详细推导了损失函数相应的梯度向量以及向量化的梯度表达式。 通过之前的学习我们知道逻辑回归算法和线性回归算法有很多相似之处，我们完全可以在原来实现的LinearRegression基础上修改成LogisticRegression。 接下来就具体的实现我们自己的逻辑回归算法： 导入相应的模块 由于逻辑回归算法解决的是分类问题，所以通过accuracy_score准确率来评估模型的好坏。
92620发布于 2020-02-26 - 来自专栏修也的进阶日记
算法手记4
解题代码: 本题解题代码如下: class Solution { public: int vis[101][101]={0};//标记这个位置是否被用过 int dx[4]={0,0,1 ,-1}; int dy[4]={1,-1,0,0}; bool exist(vector<string>& board, string word) { word.size()-1) return true; //进入这个位置就把这个位置锁住 vis[x][y] = 1; //如果递归的是中间字符,继续搜索4个方位有没有符合下一个的 ,如果有,继续递归搜 for(int i=0; i<4; i++) { int a = x+dx[i],b=y+dy[i]; 如果四个位置找完没有符合下一个字符的,那么释放本位置的锁,返回false vis[x][y]=0; return false; } }; 结语 说点啥好呢...牵扯二维的算法就有点难了
27210编辑于 2025-03-15 - 来自专栏云深之无迹
Python算法.4
Python算法.3 Python 算法.2 Python算法.1 colors=['black','white'] sizes=['S','M','L'] tshirts=[(color,size print("A:%2d B:%2d C:%2d" % (a, b, c), end='') i += 1 if i % 4 # 求阶乘 def fact(n): if n==1: return 1 return n*fact(n-1) fact(4) def fib(n): if n
48450发布于 2021-07-23 - 来自专栏数据分析1480
【4步走起】如何用聚类算法分析用户？
01 如何选择适合的聚类算法 聚类算法的运算开销往往很高，所以最重要的选择标准往往是数据量。 但数据量上升到一定程度时，如大于10万条数据，那么大部分聚类算法都不能使用。 03 如何分析变量的重要性？ 首先变量选择是主观的，完全依赖于建模者对于问题的理解，而且往往都是想到什么用什么。因为聚类是无监督学习，因此很难评估变量的重要性。 这个依然不好说，我觉得最需要去除的是高相关性的变量，因为很多聚类算法无法识别高相关性，会重复计算高相关性特征，并夸大了其影响，比如K均值。 04 如何证明聚类的结果有意义？如何决定簇的数量？ 比如我们对彩票客户进行聚类，最终得到4个簇，其中分为： “高购买力忠实客户”：花了很多钱的忠实客户，他们可能常年购买且花费不菲 “普通忠实客户”：常年购买，但每次的购买额度都不大 “刺激性消费单次购买者 当然，聚类作为无监督学习，有很多模棱两可的地方。但应时时牢记的是，机器学习模型应服务商业决策，脱离问题空谈模型是没有意义的。
93330发布于 2019-08-06
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