- 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. 7. 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 - 来自专栏机器学习原理
机器学习（7）——聚类算法聚类算法
聚类算法 前面介绍的集中算法都是属于有监督机器学习方法，这章和前面不同，介绍无监督学习算法，也就是聚类算法。 如何将数据划分不同类别 通过计算样本之间的相识度，将相识度大的划分为一个类别。 实际上，这种思路不仅应用于K-Means聚类，还广泛应用于梯度下降、深度网络等机器学习和深度学习算法。 FFC2CC', '#C2FFCC', '#CCC2FF']) cm2 = mpl.colors.ListedColormap(['#FF0000', '#00FF00', '#0000FF']) 7. 非凸数据集进行聚类 本章小结 本章主要介绍了聚类中的一种最常见的算法—K-Means算法以及其优化算法，聚类是一种无监督学习的方法。
4.6K70发布于 2018-04-27 - 来自专栏小白晋级大师
架构学习：7种负载均衡算法策略
这种均衡算法适用于服务器组中的所有服务器都有相同的软硬件配置，并且平均服务请求相对均衡的情况。 这种均衡算法在数据足够大的场景下，能达到相对均衡的分布。 3.4权重随机均衡 Weighted Random这种均衡算法类似于权重轮循算法，不过在处理请求分担的时候，它是个随机选择的过程3.5一致性哈希均衡Consistency Hash根据请求中的某些数据（ 那么随着工作时间加长，如果采用简单的轮循或者随机均衡算法，每一台服务器上的连接进程可能会产生极大的不平衡，并没有达到真正的负载均衡。 这种均衡算法适合长时间处理的请求服务，比如 FTP 传输。
1.2K10编辑于 2025-01-14 - 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PPV课数据科学社区
【学习】视觉直观感受 7 种常用排序算法
10月14日发布《统计世界的十大算法》后，很多朋友在后台询问，哪里有“视觉直观感受 7 种常用排序算法”，今天分享给大家，感谢todayx.org。 1. 堆排序 介绍： 堆积排序（Heapsort）是指利用堆这种数据结构所设计的一种排序算法。 插入排序 介绍： 插 入排序（Insertion Sort）的算法描述是一种简单直观的排序算法。 在已经排序的元素序列中从后向前扫描 如果该元素（已排序）大于新元素，将该元素移到下一位置 重复步骤3，直到找到已排序的元素小于或者等于新元素的位置 将新元素插入到该位置中 重复步骤2 排序效果： （暂无） 7. 希尔排序 介绍： 希尔排序，也称递减增量排序算法，是插入排序的一种高速而稳定的改进版本。
78750发布于 2018-04-20 - 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 - 来自专栏机器学习初学者精选文章
(视频+图文)机器学习入门系列-第7章 KNN算法
机器学习入门系列，黄海广老师主讲。本站将持续更新，ppt、代码、课后习题见文末。 本系列的目录 01.引言 02.回归 03.逻辑回归 04.朴素贝叶斯 05.机器学习实践 06.机器学习库Scikit-learn 07.KNN算法 08.决策树 09.集成学习 10.人工神经网络 11.支持向量机 12.聚类 13.降维 14.关联规则 15.机器学习项目流程 本章目录 7.1 距离度量 7.2 KNN算法 7.3 KD树划分 7.4 KD树搜索 7.1 距离度量 视频讲解 图文内容 7.2 KNN算法 视频讲解 图文内容 7.3 KD树划分 视频讲解 图文内容 7.4 KD树搜索 视频讲解 图文内容 相关资源 课程门槛较低
52410编辑于 2022-02-23 - 来自专栏人工智能头条
小姐姐带你一起学：如何用Python实现7种机器学习算法（附代码）
最近一位名叫Anna-Lena Popkes的小姐姐在GitHub上分享了自己如何使用Python（3.6及以上版本）实现7种机器学习算法的笔记，并附有完整代码。 所有这些算法的实现都没有使用其他机器学习库。这份笔记可以帮大家对算法以及其底层结构有个基本的了解，但并不是提供最有效的实现。 K 最近邻算法 k-nn 算法是一种简单的监督式的机器学习算法，可以用于解决分类和回归问题。这是一个基于实例的算法，并不是估算模型，而是将所有训练样本存储在内存中，并使用相似性度量进行预测。 K均值聚类算法 K-Means 是一种非常简单的聚类算法(聚类算法都属于无监督学习)。 ▌7. Softmax 回归算法 Softmax 回归算法，又称为多项式或多类别的 Logistic 回归算法。 给定： 数据集 ? ? 是d-维向量 ? ? 是对应于 ?
2K80发布于 2018-06-05 - 来自专栏学习/读书笔记
《学习JavaScript数据结构与算法》-- 7.树(笔记)
key); } } 通过二叉搜索树类BinarySearchTree生成实例二叉搜索树binarySearchTree后，向二叉搜索树binarySearchTree中依次添加节点（键）：11、7、 chenxiaohuan117/learning-javasrcipt-note/tree/main/%E3%80%8A%E5%AD%A6%E4%B9%A0JavaScript%E6%95%B0%E6%8D%AE%E7% BB%93%E6%9E%84%E4%B8%8E%E7%AE%97%E6%B3%95%E3%80%8B(%E7%AC%AC3%E7%89%88)
69820编辑于 2022-04-07 - 来自专栏专知
【干货】7种最常用的机器学习算法衡量指标
【导读】你可能在你的机器学习研究或项目中使用分类精度、均方误差这些方法衡量模型的性能。 当然，在进行实验的时候，一种或两种衡量指标并不能说明一个模型的好坏，因此我们需要了解常用的几种机器学习算法衡量指标。 本文整理介绍了7种最常用的机器学习算法衡量指标：分类精度、对数损失、混淆矩阵、曲线下面积、F1分数、平均绝对误差、均方误差。相信阅读之后你能对这些指标有系统的理解。 ? Metrics to Evaluate your Machine Learning Algorithm 评估机器学习算法是项目的一个重要部分。 7. 均方误差 ---- 均方误差（MSE）与平均绝对误差非常相似，唯一的区别是MSE取原始值与预测值之差的平方的平均值。
4.4K60发布于 2018-04-16 - 来自专栏数据派THU
7个流行的强化学习算法及代码实现
来源：Deephub Imba 本文约4500字，建议阅读5分钟 本文介绍了流行的强化学习算法的发展和改进。 目前流行的强化学习算法包括 Q-learning、SARSA、DDPG、A2C、PPO、DQN 和 TRPO。 2、SARSA SARSA：SARSA 是一种无模型、基于策略的强化学习算法。 这是一个简单的例子，只展示了如何在TensorFlow 2.0中实现TRPO。TRPO是一个非常复杂的算法，这个例子没有涵盖所有的细节，但它是试验TRPO的一个很好的起点。 总结 以上就是我们总结的7个常用的强化学习算法，这些算法并不相互排斥，通常与其他技术(如值函数逼近、基于模型的方法和集成方法)结合使用，可以获得更好的结果。 编辑：王菁 校对：林亦霖
1.2K40编辑于 2023-04-18 - 来自专栏决策智能与机器学习
解读技术 |学习率及其如何改善深度学习算法
这篇文章主要是介绍我对以下问题的理解： （1）什么是学习率（learning Rate）?它的意义是什么？ （2）如何系统的达到一个好的学习率？ （3）为什么在模型训练过程中要改变学习率？ 接下来，我们来学习如何应用学习率来提高模型的性能。 经典方法 通常，当我们设置好学习率，并开始训练模型后，只需要等待学习率不断减小，直到模型最终收敛。 该方法采用余弦函数作为周期函数，并在学习率达到最大值时重新启动。 ? 图7 SGDR方法 因此，我们可以利用以上方法来周期性的翻越“山峰”，从而缩减模型的训练时间。 ? ，训练1~2个周期； [4] 用增强数据来训练上一层2~3个周期，设置cycle_len=1； [5] 解冻所有层； [6] 前期层的学习率应设置为后面层的3~10倍； [7] 再次应用lr_fine( 以上的几个步骤中，步骤2、5和7都是有关学习率的。步骤2其实就是我们前面讲到的，如何在训练模型前找到最佳的学习率。
1.6K30发布于 2020-08-04 - 来自专栏技术银河
如何高效学习数据结构与算法《学习笔记》
前言 本文是个人基于覃超老师的《算法训练营》的学习笔记，此笔记的内容都是学习后的个人记录、个人总结、理解和思想。仅供参考学习。 所以小时不学算法，长大掉头发。 这系列的《算法学习笔记》，与大家一起重温或者学习数据结构与算法。 ✨ 如何系统化学习算法 深入到精通一门知识的我们都需要一个系统化的学习方法，如果这门知识越是有难度，前期就越是枯燥无味，或者甚至觉得很困难。 通过系统化学习一门知识； 最高效和持续的学习算法就是通过系统化的学习； 这里推荐大家，真的想学好一个技术，最好的方法就是找对老师，找对课程，找对人； 如何攻破庞大的知识体系变成编程职业高手 切碎知识点与建立脉络 没有闯过这些关卡的童鞋，无论前端能力如何，这个可以锻炼我们自己，也可以深入知道我们自己的前端水平和差距。想学习前端的童鞋可以从零开始学习，一起排除困难共同打开前端大门！ ?
1K31发布于 2020-10-29 - 来自专栏机器之心
深度 | 学习如何学习的算法：简述元学习研究方向现状
选自TowardsDataScience 作者：Cody Marie Wild 机器之心编译 参与：李诗萌、李泽南 要想实现足够聪明的人工智能，算法必须学会如何学习。 元学习的问题在于「我该如何建立一个可以很快学习新任务的模型」，而单样本学习的问题在于「我该如何建立一个在看过一类的一个样本后，就能学会该如何将这一类分出来的模型」。 这些参数就像是学习率、动量以及权重之于自适应学习率算法。我们在此沿着修改学习算法本身的轨道修改参数，但是有局限性。 从这个意义上讲，RNN 在学习一个可以决定如何能最好地探索空间、还可以更新其最好策略概念的算法，同时使该算法在任务的一组分布上得到很好的效果。 没人可以仅从自己的经验中就提取出这些信息，所以除非我们找出如何做出与学习算法相似的事，否则我怀疑我们是否真的可以通过整合这个世界上的知识建立模型，从而解决问 原文链接：https://towardsdatascience.com
1.1K50发布于 2018-05-08 - 来自专栏AI科技大本营的专栏
详解 | 如何用Python实现机器学习算法
在 Kaggle 最新发布的全球数据科学/机器学习现状报告中，来自 50 多个国家的 16000 多位从业者纷纷向新手们推荐 Python 语言，用以学习机器学习。 那么，用Python实现出来的机器学习算法都是什么样子呢？ 营长刚好在 GitHub 上发现了东南大学研究生“Lawlite”的一个项目——机器学习算法的Python实现，下面从线性回归到反向传播算法、从SVM到K-means聚类算法，咱们一一来分析其中的Python 代价函数对 求偏导得到： 所以对theta的更新可以写为： 其中 为学习速率，控制梯度下降的速度，一般取0.01,0.03,0.1,0.3..... 可以看出，若是x与 距离较近，==》 ，（即相似度较大），若是x与 距离较远，==》 ，（即相似度较低） 高斯核函数的σ越小，f下降的越快 如何选择初始的 训练集： 选择： 对于给出的x，计算f,令：
1.9K81发布于 2018-04-27
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