前言 学习本章节前需要先学习： 《机器学习——最优化问题：拉格朗日乘子法、KKT条件以及对偶问题》 《机器学习——感知机》 1 摘要： 支持向量机（SVM）是一种二类分类模型，其基本模型是在特征空间上找到最佳的分离超平面使得训练集上正负样本间隔最大，间隔最大使它有别于
解决问题 \[C_i = \sum\limits_{j\bigoplus k = i} A_j\times B_k \]其中\(\bigoplus\)为or，and，xor，已知A和B，求解C 和FFT还有NTT的思想都是一样的，考虑在FFT的时候，我们是从系数法转化成点值法 对A和B本身FFT一次，想乘后得到C，然后用逆运算再把点值法转化成系数法，下面FWT也是一样的流程
1 Adaboost的提出 1990年，Schapire最先构造出一种多项式级的算法，即最初的Boost算法; 1993年，Drunker和Schapire第一次将神经网络作为弱学习器，应用Boosting算法解决OCR问题; 1995年，Freund和Schapire提出了Adaboost(Adaptive Boosting)算法，效率和原来Boosting算法一样，但是不
P3708 koishi的数学题(因数和) 题目传送门 值得学习的点 因子和 σ ( n ) =
快速傅里叶变换（FFT）是一种在 \(O(n \log n)\) 时间复杂度内求出两个 \(n\) 次多项式乘积的算法。 系数表示法和点值表示法 对于 \(n\) 次多项式 \(f(x)=a_0+a_1x+a_2x^2+\cdots+a_nx^n\)，如果我们知道了每一个 \(a_i\)，那么这个多项式就唯一确定。于是我们用系数序列 \(a=\{a_0,a_1,a
城市旅行 题目链接：ybt金牌导航5-4-4 / luogu P4842 题目大意 给你一棵树，要你维护一些操作： 删除某条边（如果两点间不联通就不管） 添加某条边（如果两点间已联通就不管） 给某条路径上的点点权加一个值（如果两点不连通就不管） 询问某条路径上任选两个点，这两个点之间路径的权值和的期望。（如果
城市旅行 题目链接：ybt金牌导航5-4-4 / luogu P4842 题目大意 给你一棵树，要你维护一些操作： 删除某条边（如果两点间不联通就不管） 添加某条边（如果两点间已联通就不管） 给某条路径上的点点权加一个值（如果两点不连通就不管） 询问某条路径上任选两个点，这两个点之间路径的权值和的期望
那天晚上由于毕业晚会与同学吃饭喝酒没打 AGC，第二天稍微补了下题，目前补到了 E，显然 AGC 的 F 对于我来说都是不可做题就没补了（bushi A 简单题，不难发现如果我们通过三次及以上的操作将这个串消完，那么我们完全可以把它压缩到两次以内，因此如果两段字符不同答案就是 \(1\)，否则我们枚举
题面传送门 并不觉得这道题有黑题难度。 首先因为当\(j>i\)时\(S(i,j)=0\)所以这个东西其实可以写成\(\sum\limits_{j=0}^{n}{j!\times 2^j\sum\limits_{i=0}^{n}{S(i,j)}}\) 我们设\(H(j)=\sum\limits_{i=0}^{n}{S(i,j)}\)就可以\(O(n)\)算这个式子的值了。 上面那个式子我们考虑
cat > /etc/security/limits.conf<< EOF* soft nproc 16384* hard nproc 16384* soft nofile 1048576* hard nofile 1048576* soft stack 10240* hard stack 32768* hard memlock 8000000* soft memlock 8000000EOFecho -ne "* soft nofile 65536* hard nofile
boost::multiprecision模块将 std::numeric_limits 用作 multiprecision.qbk 上的多精度文档片段的示例 实现功能 C++实现代码 实现功能 boost::multiprecision模块将 std::numeric_limits 用作 multiprecision.qbk 上的多精度文档片段的示例 C++实现代码 #include <boost
1.设置 参数 keepAlive tcpNoDelay reuseAddress 2.设置linux os 参数： pam limits by default is not loaded in ubuntu. So run the following command in a terminal sudo gedit /etc/pam.d/su uncomment the following line #session required pam_limits.so to session req
幂级数 文章目录 幂级数一.函数项级数1.定义2.函数项级数的收敛性①定义②收敛点、收敛域③和函数 二.幂级数1.定义2.阿贝尔定理推论注： 3.定理（关于收敛半径）收敛半径的计算方法 三.幂级数运算1.加减乘除①加减法②数乘③乘法④除法 2.分析性质 四.泰勒级数1.泰勒公式回顾
基本概念 总结一些基本概念，包括自信息、信息熵、联合熵、条件熵、互信息、条件互信息以及交叉熵等等。 自信息 自信息是对某一事件发生时所带来的信息量做了一个量化。 信息是一个比较抽象的概念，一条信息所包含的信息量和它的不确定性有直接的关系， 而自信息就是把信息的度量等价于
Description Chiaki is interested in an infinite sequence \(a_1,a_2,a_3,...\) which is defined as follows: \[a_n=\begin{cases} 1 &,n=1,2\\a_{n−a_{n−1}}+a_{n−1−a_{n−2}}&,n\geqslant3\end{cases} \]Chiaki would like to know the sum of the firs
boost::multiprecision模块将 std::numeric_limits 用作 multiprecision.qbk 上的多精度文档片段的示例 实现功能 C++实现代码 实现功能 boost::multiprecision模块将 std::numeric_limits 用作 multiprecision.qbk 上的多精度文档片段的示例 C++实现代码 #include <bo
#1.0 第一类 Stirling 数 #1.1 定义 对于正整数 \(n,k\)，定义 \(c(n,k)\) 为 \(n\) 元对称群 \(S_n\) 中恰含 \(k\) 个轮换（即可恰写成 \(k\) 个不交轮换的乘积）的置换个数（注意，不动点也看做一个轮换）。称 \(s(n,k)=(-1)^{n-k}c(n,k)\) 为第一类 \(\text{Stirling}\) 数，也常常称 \(c(n
概率与期望入门 1 定义性质与定理 随机试验： 不能预先确知结果。 试验之前可以预测所有可能结果或范围。 可以在相同条件下重复实验。 样本空间：随机试验所有可能结果组成的集合。 随机事件：样本空间的任意一个子集称之为事件。 事件发生：在一次事件中，事件的一个样本点发
组合数学入门 1 多重组合数 \[\dbinom{n}{a_1,a_2,...a_k}=\dfrac{n!}{a_1!a_2!...a_k!} \]其中 \(\sum\limits_{i=1}^ka_i=n\) 2 组合数一些性质 \[C(n+m,n)=C(n+m,m)\\ C(n,m)=C(n-1,m-1)+C(n-1,m)\\ C(n+r+1,r)=C(n+r,r)+C(n+r-1,r-1)+...+C(n,0)\\ C(n,l)C(l,r)=C(n,r)C(n-r,l
#1.0 基础知识 #1.1 积性函数 #1.1.1 定义 设 \(f\) 是数论函数，若对任意互质的正整数 \(a,b\)，都有 \(f(ab)=f(a)f(b)\)，则称 \(f\) 是积性函数。若对任意的正整数 \(a,b\)，都有 \(f(ab)=f(a)f(b)\)，则称 \(f\) 是完全积性的。 #1.1.2 性质 若 \(f\) 是积性函数，且 \(n=p_1^{\alpha_1}p
由于在实际使用中我们常常要求获得一定精度下的\pi值，因此对于近似公式的误差分析是必要的。 考虑在近似计算公式中给出的定积分展开: \(\pi = 4\int^{1}\limits_{0}\frac{1}{1+x^2} \mathrm{d}x = 4\lim\limits_{n\rightarrow\infty}\sum\limits_{i=1}^{n}\frac{n}{n^2+i^2}\) 实
圆周率\(\pi\)是圆的周长(\(C\))与直径(\(D\))的比值，一般用希腊字母\(\pi\)表示，是一个在数学及物理学中普遍存在的数学常数。 在高一的一个周六下午，我和我高中最好的朋友尝试从圆周率定义的角度与无限分割的思想计算\(\pi\)的一般近似值，但最终只发现了一个形式上的等式，从而以失败
在管理集群的时候我们常常会遇到资源不足的情况，在这种情况下我们要保证整个集群可用，并且尽可能减少应用的损失。根据该问题提出以下两种方案：一种为优化kubelet参数，另一种为脚本化诊断处理。 1. 概念解释 CPU 的使用时间是可压缩的，换句话说它本身无状态，申请资源很快，也能快速正常回
1. HMM模型参数求解概述 HMM模型参数求解根据已知的条件可以分为两种情况。 第一种情况较为简单，就是我们已知 D D D个长度为
目录 联系下降幂，上升幂，幂 递推关系对偶 生成函数对偶 矩阵 还有一些 upd 2021-02-15 刚才知乎冲浪来着，转载一篇文章 喜闻乐见的公式编辑测试环节，联系太多了，所以肯定写不完 联系下降幂，上升幂，幂 \[(x)^n=x(x+1)...(x+n-1) \\ (x)_n=x(x-1)...(x-n+1) \] \[\sum\limits_{k=1
