贾谊（公元前200年—前168年），洛阳人，西汉政论家、散文家、辞赋家，世称「贾生」。贾谊的散文主要为政论文，风格朴实，议论透彻，鲁迅称之为「西汉鸿文」，代表作有《论积贮疏》、《过秦论》、《陈政事疏》等。贾谊的辞赋作品皆为「骚体」，代表作有《鵩（fú）鸟赋》、《吊屈原赋》。 吊屈原赋 西
problem D. Districts Connection time limit per test1 second memory limit per test256 megabytes inputstandard input outputstandard output There are n districts in the town, the i-th district belongs to the ai-th bandit gang. Initially, no districts are co
主要利用朴素贝叶斯p(yj|x) = p(x|yj)p(yj)/ p(x)计算出假定样本x，计算这个样本x属于yj类的概率，将计算结果中选出最大的概率对应的yj类作为这个样本的分类， 其中假设各个属性之间相互独立。 max p(yj|x) ~ max p(x|yj)p(yj) = p(x1|yj)..p(xi|yj)..p(xn|yj) p(yj) 其中x = (x1,x2,xi
数学分析（二）预习 零、数分（二）预习准备 预习数分（二）主要使用： 伍胜健《数学分析（第二册）》北京大学出版社 谢惠民等《数学分析习题课讲义》高等教育出版社 [俄]卓里奇、李植译《数学分析（第7版）》高等教育出版社 1、定积分（1）：定积分定义与微积分基本定理 一、定积分的定义
支持向量机(Support Vector Machine，SVM)理论部分 SVM简介 SVM由一个叫做Vapnik的前苏联人发明于70年代中期。当时处于冷战期间，欧美与苏联不互通，等到苏联解体后，Vapnik来到美国，才逐渐发表了自己的研究成果。 SVM是一个小样本的方法，其原因是超平面的选取只与支持向量有
傅里叶变换 傅立叶变换，表示能将满足一定条件的某个函数表示成三角函数（正弦和/或余弦函数）或者它们的积分的线性组合。 傅里叶认为**“任何”周期信号都可以表示为一系列成“谐波关系”的正弦信号的叠加** 常见例子：分解声音中的频率 时域→频域（去除噪音） 频域→时域（还原语音）
1 基本概念 Definition (语法制导定义 (Syntax-Directed Definition; SDD)) SDD 是一个上下文无关文法和属性及规则的结合。 Definition (语法制导的翻译方案 (Syntax-Directed Translation Scheme; SDT)) SDT 是在其产生式体中嵌入语义动作的上下文无关文法。 2 S属性 D
Local & non-local Local这个词主要是针对感受野(receptive field)来说的。以卷积操作为例，它的感受野大小就是卷积核大小，而我们一般都选用33，55之类的卷积核，它们只考虑局部区域，因此都是local的运算。同理，池化(Pooling)也是。 而non-local指的就是感受野可以很大，不是一个局部
求解多项式方程在曲线[a,b]的积分，同样的方法可以求解一般函数的积分。 function [int] =integRob(xi,a,b) %a,b为上下界 %xi为多项式系数向量 tk=zeros(1,100); sk=zeros(1,100); ck=zeros(1,100); rk=zeros(1,100); tk(1)=(b-a)*(0.5*polyval(xi,a)+0.5*polyval(xi,b)); for
在处理矩阵问题时，可由矩阵可逆向一般情况推广。 例：设A、B都是n阶矩阵，证明|kI-AB|=|kI-BA|。 证明：若A可逆，则\(|kI-AB|=|A^{-1}||kI-AB||A|=|kI-BA|\) 一般地，令f(x)=|kI-(A+xI)B|，g(x)=|kI-B(A+xI)| 由行列式的展开式可知，它们都是x的n多项式，由行列式的定义可知|A+xI|是x的n次多项式，故
信息 I ( X = x i ) =
这篇应用是我的同事做的一些工作，感谢@张翼翔 一、人脸关键点检测的目标 人脸关键点检测目标就是自动定位人脸关键区域，之后对人脸进行对齐校正，本质属于人脸识别前的预处理过程 二、人脸关键点检测的应用 美颜/美妆换脸表情识别 三、落地方案 3.1 reference PFLD:A Practical
线性回归 一元线性回归 假设对于观测对象x和y我们收集到了一批数据x={x1,x2,x3,…,xn} ，y={y1,y2,y3,…yn} 我们希望找到一个一元线性函数(一个因变量y和一个自变量x) yi=f(xi)=wxi+b 使得函数（模型）预测出来的值和原来的值的误差平方和 S=∑i=1n(f(xi)−yi)2 最小，也即是它们的
李航《统计学习》学习第一周（1） 第一章 1.1统计学习方法概论 一. 统计学习主要由监督学习（supervised learning）、无监督学习(unsupervised learning)和强化学习(reinforcement learning)组成，有时还包括半监督学习和主动学习 二. 统计学习的方法 统计学习的方法大致可以概括如下，
题意： 给定长度为n的非负序列x，要求计算： 答案对1e9+7取模。 数据范围：n<=5e5，0<=x[i]<=260 解法： ∑ i = 1
Spark架构图如下： Spark 的计算过程：Stage内部数据高效并行计算，Stage边缘处进行消耗资源的shuffle或者reduce操作。 特征处理方法： 1.类别特征：one-hot编码 2.数值特征：归一化（不同类别特征权重不统一）与分桶（解决特征值分布不均与，过程：特征值高低排序->分位数->分样本->桶id作为特征值）。
蜜蜂采蜜 自然界中的蜜蜂总能在任何环境下以极高的效率找到优质蜜源，且能适应环境的改变。蜜蜂群的采蜜系统由蜜源、雇佣蜂、非雇佣蜂三部分组成，其中一个蜜源的优劣有很多要素，如蜜源花蜜量的大小、离蜂巢距离的远近、提取的难易程度等；雇佣蜂和特定的蜜源联系并将蜜源信息以一
Data Whale第20期组队学习 Pandas学习—Task Special & 综合练习 一、企业收入的多样性二、组队学习信息表的变换三、美国大选投票情况参考文献 一、企业收入的多样性 【题目描述】一个企业的产业收入多样性可以仿照信息熵的概念来定义收入熵指标：
贝叶斯分类器详解 从零开始 从理论到实践 一、贝叶斯相关概念1.1、频率学派和贝叶斯学派1.1.1、频率学派1.1.2、贝叶斯学派 1.2、概率论基础知识1.3、贝叶斯定理 二、概率的分布2.1、离散概率分布2.1.1、伯努利分布(Bernoulli Distribution)2.1.2、分类分布(Categorical Di
KNN算法 1. KNN算法原理1.1 K值选择1.2 距离计算1.3 算法优缺点 1. KNN算法原理 k近邻方法是一种惰性学习算法，可以用于回归和分类，它的主要思想是投票机制，对于一个测试实例x, 我们在有标签的训练数据集上找到和最相近的k个数据，用他们的label进行投票，分类问题则进行表决投
霍夫变换 直线变换 霍夫变换(Hough)是一个非常重要的检测间断点边界形状的方法。它通过将图像坐标空间变换到参数空间，来实现直线与曲线的拟合。 1.直线检测 1.1 直线坐标参数空间 在图像x−y坐标空间中，经过点(xi,yi)的直线表示为： yi=axi+b(1) 其中，参数a为斜率，b为截矩。 通过
支持向量机 因为用 k k k 对 ( ω , b )
1. 聚类概述 Everitt 在 1974 年对聚类分析做出如下定义：同一簇内的对象之间相似性高，不同簇内的对象之间相似性低，同一簇内的任意两个对象间的距离小于不同簇内的任意两个对象间的距离[2]。簇可以这样描述：“它是一个密度相对较高的数据对象集”。 (1) 基于划分的聚类方法，如K-me
目录前向分步算法一、前向分步算法引入二、前向分步算法详解2.1 加法模型2.2 加法模型目标函数优化问题三、前向分步算法流程3.1 输入3.2 输出3.3 流程 更新、更全的《机器学习》的更新网站，更有python、go、数据结构与算法、爬虫、人工智能教学等着你：https://www.cnblogs.com/nic
目录提升树一、提升树学习目标二、提升树引入三、提升树详解3.1 加法模型3.2 前向分步算法3.3 提升树与AdaBoost算法3.4 回归提升树3.4.1 前向分步算法3.4.2 平方误差损失函数四、回归提升树流程4.1 输入4.2 输出五、流程六、提升树优缺点6.1 优点6.2 缺点七、小结 更新、更全的
