- 综合排序
- 最热优先
- 最新优先
- 来自专栏华章科技
9种深度学习算法简介
导读：从算法处理的流程来划分，基于深度学习的目标检测算法可分为两阶段（Two-Stage）算法和一阶段（One-Stage）算法，两阶段算法需要先进行候选框的筛选，然后判断候选框是否框中了待检测目标，并对目标的位置进行修正 SPP-Net算法基于一个空间金字塔池化层（SPP layer），无论输入的子图像大小如何，都会将子图像采样成固定大小的图像。 Faster R-CNN算法 2015年，S. Ren等人提出了Faster R-CNN算法，Faster R-CNN是第一个端到端算法，也是第一个接近实时深度学习的目标检测算法。 Joseph等人提出了YOLO（You Look Only Once）算法，这是首个深度学习领域的一阶段算法。 Liu等人提出了SSD（Single Shot MultiBox Detector）算法，这是深度学习领域的第二个一阶段算法。
5.7K20编辑于 2022-01-20 - 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 - 来自专栏技术墨客
React学习（9）—— 高阶应用：虚拟Dom差异比对算法
这样可以降低编写应用的复杂度，但是带来的问题是无法很好的理解React是如何实现这些功能的。这篇文章会介绍React的差异比对算法——“融合算法”是如何执行的。 在这个机制下，React需要弄清楚如何匹配最近的树并有效的更新UI。 针对以上问题，有一些通用的算法可供参考，比如比对2颗树的差异，在前一个颗树的基础上生成最小操作树，但是这个算法的时间复杂度为n的三次方=O(n*n*n)，当树的节点较多时，这个算法的时间代价会导致算法几乎无法工作 递归子元素 默认情况下，在递归子元素的Dom节点时，React同时对2个子元素列表进行迭代比对，如果发现差异都会产生一个突变（关于突变的概念请见React学习第六篇性能优化介绍不可变数据结构部分）。 React依赖启发式算法，如果本文开篇提到的2个基本假设不成立，那么会导致算法效率极差。 算法不会尝试匹配不同2个组件之间的子树。
94420发布于 2018-08-15 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- 来自专栏深度学习|机器学习|歌声合成|语音合成
第9节：libtorch开发深度学习算法中的autograde
文章目录 CmakeLists.txt C++ CmakeLists.txt cmake_minimum_required (VERSION 3.8) project(SOLDIER) set(Torch_DIR "/libtorch/share/cmake/Torch") set(PYTHON_EXECUTABLE "/usr/bin/python3") find_package(Torch REQUIRED) find_package(OpenCV REQUIRED) set(CMAKE_CXX
86920编辑于 2022-08-07 - 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 - 来自专栏大数据和云计算技术
算法基础9：散列表
算法是基础，小蓝同学准备些总结一系列算法分享给大家，这是第9篇《散列表》，非常赞！希望对大家有帮助，大家会喜欢！ 前面系列文章： 归并排序 #算法基础#选择和插入排序 由快速排序到分治思想 算法基础：优先队列 二分查找 二叉树查找 平衡查找树概述 平衡树之红黑树 散列表是我们比较简单的一种查找算法，是用这种建议方法的扩展并能够处理更加复杂的类型的键 使用散列表的查找算法分为两步 第一步用散列函数将被查找的键转化为数组的一个索引。理想情况下，不同的键都可以变为不同的索引，但有时有特殊情况，这就涉及到我们的第二步处理碰撞冲突的过程。 一、散列函数键值转换 散列算法有很多种实现，在java中没中类型都需要相应的散列函数，例如;在正整数 最常用的是除留余数法（k%M）。 三、应用 散列表的应用是使用最广泛的算法之一 信息安全领域： Hash算法 可用作加密算法。
97920发布于 2018-07-26 - 来自专栏乐行僧的博客
9-选择排序算法
注意点： 不稳定的排序算法 代码： #include <stdio.h> typedef int bool; #define true 1 #define false 0 void swap(int swap(&a[minIndex], &a[i]); } } } int main() { int a[] = {3, 1, 2, 4, 7, 0, 5, 8, 6, 9}
19440编辑于 2022-02-25 - 来自专栏项目文章
Redis学习9：Jedis学习
Jedis学习 编程语言中的数据如任何和redis联动，如果是java语言，那么就可以使用Jedis工具，同时springdata redis也可以使用，lettuce也可以使用。
21810编辑于 2024-06-07 - 来自专栏算法工程师之路
每日算法题：Day 9
作者：TeddyZhang，公众号：算法工程师之路 Day 9, Python知识点走起~ 1 编程题 【剑指Offer】树的子结构 输入两棵二叉树A，B，判断B是不是A的子结构。 struct TreeNode *right; 6 TreeNode(int x) : 7 val(x), left(NULL), right(NULL) { 8 } 9} 二叉树的镜像定义：源二叉树 8 / \ 6 10 / \ / \ 5 7 9 11 镜像二叉树 8 / \ 10 6 / \ / \ 11 9 7 5 思路： 这个使用递归的思路就很简单，一般二叉树用递归的方法很多，比如二叉树的遍历也可以使用递归的方法。 struct TreeNode *right; 6 TreeNode(int x) : 7 val(x), left(NULL), right(NULL) { 8 } 9}
54720发布于 2019-08-13 - 来自专栏机器学习算法与Python学习
机器学习(9)之ID3算法详解及python实现
关键字全网搜索最新排名 【机器学习算法】：排名第一 【机器学习】：排名第二 【Python】：排名第三 【算法】：排名第四 前言 决策树算法在机器学习中算是很经典的算法系列。 它既可以作为分类算法，也可以作为回归算法，同时也特别适合集成学习比如随机森林。本文就对决策树算法ID3思想做个总结。 其中有9个输出为0， 6个输出为1。 样本中有个特征A，取值为A1，A2和A3。 c) ID3算法对于缺失值的情况没有做考虑 d) 没有考虑过拟合的问题 ID3 算法的作者昆兰基于上述不足，对ID3算法做了改进，这就是C4.5算法。 周志华《机器学习》 2. http://www.cnblogs.com/pinard/p/6018889.html
2.1K70发布于 2018-04-04 - 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。 ● 4 贝叶斯线性 ○ ● 2 决策森林 ● ○ 6 boosted决策树 ● ○ 5 占用内存大 快速森林分位数 ● ○ 9 预测分布而不是点 神经网络 ● 9 可以进行其它定制 泊松
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MiningAlgorithms
机器学习9：采样
另外，利用重采样技术，可以在保持特定的信息下（目标信息不丢失），有意识地改变样本的分布，以更适应后续的模型训练和学习，例如利用重采样来处理分类模型的训练样本不均衡问题。 对于很多分类算法，如果直接采用不均衡的样本集来进行训练学习，会存在一些问题。 SMOTE算法为每个少数类样本合成相同数量的新样本，这可能会增大类间重叠度，并且会生成一些不能提供有益信息的样本。为此出现Borderline-SMOTE、ADASYN等改进算法。 同样地，对于欠采样，可以采用InformedUndersampling来解决由于随机欠采样带来的数据丢失问题 7.2，基于算法的方法： 在样本不均衡时，也可以通过改变模型训练时的目标函数（如代价敏感学习中不同类别有不同的权重 ）来矫正这种不平衡性；当样本数目极其不均衡时，也可以将问题转化为单类学习（one-classlearning）、异常检测（anomaly detection）。
2.5K30发布于 2019-08-08 - 来自专栏C++学习历程
【C++笔试强训】如何成为算法糕手Day9
); min1=min(min1,s); } } return max1-min1<=4; } }; 学习编程就得循环渐进
33010编辑于 2024-10-17 - 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。 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。 所以设置较大的学习率快速的进行迭代。 文献[9]中提到fine-tuning（微调）整个神经网络的代价非常 大，因为有些网络可能高达100层。 文献[9]中证明了可微分编程的方法对于自然语言处理任务，可以提高精度，减小误差率。 ?
1.6K30发布于 2020-08-04
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