- 综合排序
- 最热优先
- 最新优先
- 来自专栏null的专栏
简单易学的机器学习算法——线性回归(2)
一、基本线性回归模型的抽象 在基本的线性回归中(可见简单易学的机器学习算法——线性回归(1))，对于一个线性回归为题，我们得到一个线性方程组： 在上一篇中我们是构建平方误差函数使得误差函数取得最小值得方法求得回归系数 换种思考，对于这样的一个线性方程组的求解我们有其他的方式，这里我们提到了广义逆。 四、实验 我们同样采用简单易学的机器学习算法——线性回归(1)中的实验数据，我们得到以下的实验结果： 原始数据 最佳拟合直线 MATLAB实验源码 主函数 %% load Data A = load ('ex0.txt'); X = A(:,1:2);%读取x Y = A(:,3); ws = pinvRegres(X,Y); %% plot the regression function x = 0:1; y = ws(1,:)+ws(2,:)*x; hold on xlabel x; ylabel y; plot(X(:,2),Y(:,1),'.'); plot(x,y); hold off
97030发布于 2018-03-16 - 来自专栏null的专栏
简单易学的机器学习算法——线性回归(2)
一、基本线性回归模型的抽象 在基本的线性回归中(可见简单易学的机器学习算法——线性回归(1))，对于一个线性回归为题，我们得到一个线性方程组： ? 并没有逆的概念，但是我们可以求矩阵 ? 的Moore-Penrose广义逆 ? 。 2、Moore-Penrose广义逆的性质 定理：Moore-Penrose广义逆存在而且唯一。 四、实验 我们同样采用简单易学的机器学习算法——线性回归(1)中的实验数据，我们得到以下的实验结果： ? 原始数据 ? 最佳拟合直线 MATLAB实验源码 主函数 %% load Data A = load('ex0.txt'); X = A(:,1:2);%读取x Y = A(:,3); ws = pinvRegres (X(:,2),Y(:,1),'.'); plot(x,y); hold off 求线性回归系数 function [ ws ] = pinvRegres( X, Y ) [m,n] =
1.2K20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)
常用的相似度的计算方法有：欧式距离法、皮尔逊相关系数法和夹角余弦相似度法。具体的可以参见上一篇文章“协同过滤推荐算法(1) ”。 但是现实中的数据往往并不是那么规整，普遍的现象就是在用户数据中出现很多未评分项，如下面所示的数据： ? 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。 三、利用SVD构造主题空间 我们对上面所示的这样一个矩阵进行SVD分解，分解的结果为： 1、U矩阵 ? （U矩阵，矩阵U主要反应的是用户信息） 2、对角阵S ? 即可得新的主题空间： ? 四、实验的仿真 我们在这样的数据集上做推荐计算。其中user为2号用户。 ? （相似度的计算） ? “协同过滤推荐算法(1) ”一致。
84160发布于 2018-03-15 - 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)
常用的相似度的计算方法有：欧式距离法、皮尔逊相关系数法和夹角余弦相似度法。具体的可以参见上一篇文章“协同过滤推荐算法(1) ”。 但是现实中的数据往往并不是那么规整，普遍的现象就是在用户数据中出现很多未评分项，如下面所示的数据： ? 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。 三、利用SVD构造主题空间 我们对上面所示的这样一个矩阵进行SVD分解，分解的结果为： 1、U矩阵 ? （U矩阵，矩阵U主要反应的是用户信息） 2、对角阵S ? 即可得新的主题空间： ? 四、实验的仿真 我们在这样的数据集上做推荐计算。其中user为2号用户。 ? （相似度的计算） ? “协同过滤推荐算法(1) ”一致。
63620发布于 2019-02-13 - 来自专栏懒人开发
android studio简单使用（A2）：自定义模版简单实战
因为暂时还没有考虑好顺序，先用A2表示 ---- 简单过程 复制EmptyActivity一份， 重命名为 DodoTemplateActivity ? Paste_Image.png 将代码放到hg版本控制中（自己不熟悉，简单放到本地） ? Paste_Image.png 做最初的提交后，可以看见对应的文件夹 ? Paste_Image.png 对应的文件位置： ? Paste_Image.png 而模版，也就简单添加了 一些import， 引用， findview和简单set ? ，以及一些View https://github.com/WanAndroid/AndroidStudioTemplates 鸿洋大神， 简单的模版例子 ---- 后言 其实，写对应的模版，虽然很简单 但是，要确认经常会用到的需求，并且适合自己对应的父类以及相应的逻辑 考虑周全，还是挺重要的 只要理解了过程，新添加对应的Activity模版，或者其他模版也不是难事了 （当然，简单的单个文件模版
91920发布于 2018-09-12 - 来自专栏云时之间
对于问题的简单定义
学习此部分的目的：发现在没有单独的行动可以解决问题的时候，机器如何找到一个行动序列达到他的目标；在这部分中，通过讨论一些无信息的通用搜索算法，来比较各部分算法的优缺点； 1;问题求解的智能体 当智能体能够采用一个目标并针对这个目标得到满足而去行事 那么，我们如何去定义一个问题以及他的解？ 一个问题其实可以形式化的定义为四个部分： 1：在起始的时候的初始状态。比如我们现在在北京，要导航去上海。我们现在在北京的这个状态，就可以是初始状态。 2：对于机器可采纳行动的可能行动的描述：最常见的一个形式就是定义一个后继函数。后继函数可以简单的理解为就是你这个行动可以达到的一个状态。比如说你去上海，起始函数是北京，那么后继函数就可以是上海。 3：目标测试：用来确定给定的状态是不是目标状态，有的时候可能得目标状态集合是非常明显的，测试只需要简单的检查给定的状态是否是目标状态的集中之一即可。 上述定义了一个问题，可以把他们集合在一起成为一个单一的数据结构。作为问题的求解算法的输入。问题的解就是从初始状态到目标状态的路径。最优解就是由路径的损耗函数进行度量。
1.2K50发布于 2018-04-11 - 来自专栏我的知识小屋
【C语言简单说】七：自定义函数(2)
刚刚说了如何自定义函数。那只是最简单的形式，那我们现在开始来说函数的返回值。 int main() { printf("下面是我们调用dy函数\n"); dy(); system("pause"); return 0; } 在这里我开始说明自定义函数中的 那就需要返回值了，在这里的void是表示这个函数没有返回值的意思，对的，也没错，这个函数是没有返回值的，那我们修改一下我们上一节的程序，如下： #include<stdio.h> #include<stdlib.h 那就说明我们的这个函数是有结果的；我们再看我们函数里面的代码是不是多出来了一个我们不认识的return 13？ 好了，我们看我们的main函数里面，这样结合起来才会懂。我们创建了一个a变量a，最开始的时候的值是0，我们看下一行，我们调用了dy函数。然后使用了一个a变量接收dy函数返回的值。
63520发布于 2020-10-23 - 来自专栏AILearning
简单的排序算法
倒叙排序 //choiceSort(arr); //bubbleSort(arr); //顺序排序（java中已经定义好的一种排序方式，开发中，对数组排序，要使用该句代码） Arrays.sort [0————length-2]之间 //第二个数的最大值的范围在[1————length-1]之间 if(arr[i]<arr[j]){ temp = arr[i]; [0————length-2]之间 //第二个数的最大值的范围在[1————length-1]之间 if(arr[j]<arr[j+1]){ temp = arr[j]; arr[j] = arr[j+1]; arr[j+1] = temp; } } } System.out.println("冒泡排序"); } } 折半算法 class int index = binarySearch(arr,8); System.out.println(index); } //折半插入算法 public static int binarySearch
996100发布于 2017-12-29 - 来自专栏服务端技术杂谈
简单了解机器学习的定义
AI 本身就是软件， 作为 AI 时代的软件工程师，了解一些 AI 知识是很有必要的。 前面简单了解了大模型和专业模型的区别： 简单了解 GPT 模型 今天简单了解下机器学习的定义。 ，就可以使得这个定义变得形象。 比如“人机对弈”，机器学习采用每步落子位置对全局胜率的影响（度量P）来评价系统性能，在每一次对弈（任务T）中，基于机器学习算法的人机对弈软件，是根据历史棋局的对局数据（经验E），来修正用于根据棋盘局面推算每一步的最优落子位置的模型 在李航老师的《统计学习方法》一书中，就提出机器学习由“模型”“策略”和“算法”三个要素构成： 机器学习＝模型+策略+算法 ● 模型是指机器学习所要产出的内容，它一般会以一个可被计算的决策函数或者条件概率分布函数的形式存在 ● 算法是指如何依靠历史数据，把正确的模型中涉及的未知参数都找出来。在确定寻找最优模型的策略后，机器学习的问题便归结为寻找出模型最优参数的优化的问题。
61240编辑于 2023-08-08 - 来自专栏信息技术智库
《画解算法》2.整数反转【python-简单】
示例 1： 输入：x = 123 输出：321 示例 2： 输入：x = -123 输出：-321 示例 3： 输入：x = 120 输出：21 示例 4： 输入：x = 0 输出：0 实际上我们只要能拿到这个整数的 末尾数字 就可以了。 以12345为例，先拿到5，再拿到4，之后是3，2，1，我们按这样的顺序就可以反向拼接处一个数字了，也就能达到 反转 的效果。 好办，用取模运算就可以了 1、将12345 % 10 得到5，之后将12345 / 10 2、将1234 % 10 得到4，再将1234 / 10 3、将123 % 10 得到3，再将123 / 10 4、将12 % 10 得到2，再将12 / 10 5、将1 % 10 得到1，再将1 / 10 这么看起来，一个循环就搞定了，循环的判断条件是x>0 但这样不对，因为忽略了 负数 循环的判断条件应该是 看起来这道题就这么解决了，但请注意，题目上还有这么一句 假设我们的环境只能存储得下 32 位的有符号整数，则其数值范围为 [−2^31, 2^31 − 1]。
49040编辑于 2022-07-29 - 来自专栏操作系统实验
简单定义Flask接口
在Flask中定义简单的get和post路由 1. 安装Flask pip3 install flask mkdir ~/test-flask cd ~/test-flask touch server.py 2. 定义接口 设定GET方法返回基于当天日期的随机词汇样本，POST方法接受一个日期参数，返回基于该日期参数的随机词汇样本： from flask import Flask, jsonify, request flask run 访问 localhost:5000/vocab/daily 可以得到JSON响应 curl localhost:5000/vocab/daily 使用curl发送一个包含date参数的JSON sqlite:///vocab.db' app.config['SQLALCHEMY_TRACK_MODIFICATIONS'] = False db = SQLAlchemy(app) # 定义数据库模型
1.1K00编辑于 2024-03-23 - 来自专栏DrugScience
GA算法的简单实现
目标函数：y=sin(x)，求最大值 算法：基因遗传算法 语言：Python 思路： 使用二进制代表十进制，类似于使用[100100,111100]代表十进制的[36,60] 染色体交叉为：设置随机数， 单点交叉如[101100，110100]，这就是上面两个染色体单点交叉的结果，第二个数字起 突变：0变为1，1变为0 选择下一代：轮盘赌，哪个个体适应度函数高，被选择的机会就更大 ? (十进制) temporary=translation(population) #一个基因代表一个决策变量，其算法是先转化成十进制，然后再除以2的基因个数次方减1(固定值)。 ,[3,4]] # l2=[1,2,3,4] def to_sim_list(more_list): new_list =[] for x in range(len(more_list tmp_population = list(itertools.combinations(new_population, 2)) #产生交叉点的随机列表 tmp_point=[
75020发布于 2021-02-04 - 来自专栏Python研发
DJango简单的后台定义登录验证
第一步创建一个新的项目 APPLICATIONNAME : 表示创建子项目 ? 第二步：找到主项目的url 进行 include 分发式url 简单的说，就是将app里边的url放在这里。 在下来一步就是在app里边的url里写url一定要注意，导入app下边的views ? url配置好了，接下来就进行写views里边的函数了。 写函数时，后边一定要注意，添加一个request参数，应为前端传过来的 参数全部让request获取到了。接下来写函数里边的简单的登录验证返回子字符串的方法喽。 HTML一定要写进templates里边应为直接写进去，app的views里边的html会自动去templates里边去找。 ? Django简单一个验证就完成了。 ://baidu.com") locals:获取全局变量 return (locals) Django用Terminal来输如命令创建数据表: 1: makemigrations 2:
1.8K20发布于 2018-09-11 - 来自专栏null的专栏
简单易学的机器学习算法——EM算法
一、机器学习中的参数估计问题 image.png 二、EM算法简介 在上述存在隐变量的问题中，不能直接通过极大似然估计求出模型中的参数，EM算法是一种解决存在隐含变量优化问题的有效方法。 EM算法是期望极大(Expectation Maximization)算法的简称，EM算法是一种迭代型的算法，在每一次的迭代过程中，主要分为两步：即求期望(Expectation)步骤和最大化(Maximization 三、EM算法推导的准备 image.png ? 注：若函数 ? 是凹函数，上述的符号相反。 3、数学期望 image.png 四、EM算法的求解过程 image.png image.png image.png 五、EM算法的收敛性保证 image.png 六、利用EM算法参数求解实例 EM算法计算其均值miu #取miu的初始值 k = 2 miu = random.random((1, k)) #miu = mat([40.0, 20.0]) Expectations = zeros
3.3K50发布于 2018-03-19 - 来自专栏null的专栏
简单易学的机器学习算法——Apriori算法
其实这背后隐含的原理就是关联分析，简单来讲就是啤酒和尿布之间存在着某种关联关系。关联关系时指从大规模的数据集中寻找物品之间的隐含关系，有时关联分析也可以称为关联规则学习。 三、Apriori算法 1、Apriori算法 Apriori算法是关联分析的重要算法，Apriori算法主要是来寻找频繁项集，采用的方法是查找出所有的可能，如下图： ? 为物品的数目，如何避免这样的指数增长对于Apriori算法的成功具有很重要的意义。Apriori原理就解释了这样的事情。 2、Apriori原理 如何避免指数级增长，我们应该尽量去减少一些不必要的结点，Apriori原理是说如果某个项集是频繁的，那么他的所有子集也是频繁的。 (摘自《机器学习实战》) 四、使用Apriori算法发现频繁项集 在理解了上面的过程后，我们不难发现计算过程就是不断查找项集。首先，定义一个被称为最小支持度的量，当成阈值使用。
1.1K30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——EM算法
一、机器学习中的参数估计问题 在前面的博文中，如“简单易学的机器学习算法——Logistic回归”中，采用了极大似然函数对其模型中的参数进行估计，简单来讲即对于一系列样本 ? 二、EM算法简介 在上述存在隐变量的问题中，不能直接通过极大似然估计求出模型中的参数，EM算法是一种解决存在隐含变量优化问题的有效方法。 EM算法是期望极大(Expectation Maximization)算法的简称，EM算法是一种迭代型的算法，在每一次的迭代过程中，主要分为两步：即求期望(Expectation)步骤和最大化(Maximization 三、EM算法推导的准备 1、凸函数 设 ? 是定义在实数域上的函数，如果对于任意的实数 ? ，都有 ? 那么 ? 是凸函数。若 ? 不是单个实数，而是由实数组成的向量，此时，如果函数 ? EM算法计算其均值miu #取miu的初始值 k = 2 miu = random.random((1, k)) #miu = mat([40.0, 20.0]) Expectations = zeros
82450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——Apriori算法
其实这背后隐含的原理就是关联分析，简单来讲就是啤酒和尿布之间存在着某种关联关系。关联关系时指从大规模的数据集中寻找物品之间的隐含关系，有时关联分析也可以称为关联规则学习。 image.png 三、Apriori算法 1、Apriori算法 Apriori算法是关联分析的重要算法，Apriori算法主要是来寻找频繁项集，采用的方法是查找出所有的可能，如下图 image.png 2、Apriori原理 如何避免指数级增长，我们应该尽量去减少一些不必要的结点，Apriori原理是说如果某个项集是频繁的，那么他的所有子集也是频繁的。 其逆否命题为：如果一个项集是非频繁的，那么他的所有超集也是非频繁的。使用这个原理就可以避免指数级增长，原理如下图所示： ? 四、使用Apriori算法发现频繁项集 image.png ? n tmp(1,2*n) = 0;%补0 end retListTmp_2(r,:) = tmp;
2.3K110发布于 2018-03-19 - 来自专栏C语言
简单洗牌算法
在学习了ArrayList之后，我们可以通过写一个洗牌算法来练习练习。 一副扑克牌是由花色和数字及字母组成，我们这里用1~13的数字来代替所有字母和数字 我们用一个Card类来定义一个简单的扑克牌模型，包含两个成员变量来表示花色和数字，一个成员方法重写了toString方法 } @Override public String toString() { return "{" + suit + rank + '}'; } } 再定义一个 cardList.set(j,tmp);//把牌i(tmp)放到牌j的位置 } 扑克牌洗好之后，我们就可以玩牌了，我们制定一个简单规则，三个人玩牌，轮流抽一张牌，各抽5张： ："+hand.get(i)); } System.out.println("剩下的牌："+cardList); } } 运行效果： 通过这个简单的洗牌算法，让我更好理解到了如何在程序中引入随机性
50810编辑于 2024-08-05 - 来自专栏我的博客
简单算法集锦
2013年4月10日 php /* * 周期串，确定一个周期串的最小周期 */ $str = "abcabcabcabcabc";//PHP中字符串可以直接用作数组 $len = strlen($str > 2013年4月28日 php /* * a,b两个数字相加，计算出a+b中进位的次数 */ $a = 9999; $b = 72292228; $num = 0; $length[] =
66040发布于 2018-05-08 - 来自专栏细嗅蔷薇
简单随机算法
注意 （1）文中4.6.3的随机快排算法的链接在这里生成随机数(关于快速排序) （2）第一份代码中return randSelect(A, p + 1, right, K-M)为什么是K-M？ 首先，题目要找第K大的数，因此randSelect的第四个参数可能是K，但同时第二个参数是p+1（也即主元后一个位置），因此第四个参数为了匹配第二个参数需要减去M，即K-M。 （3）更正：第二份代码中p的定义最后少加一个括号，即...left)); 版权所有：可定博客 © WNAG.COM.CN 本文标题：《简单随机算法》 本文链接：https://wnag.com.cn/
80920发布于 2020-04-20
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