理解 Python中的数据类型 在 Python 中变量的数据类型是动态推断的，并且可以自动进行转换 x = 4 x = "four" 因为Python 是由 C 编写的所以 Python 的整形实际上是 C 中的一个结构体，通过储存一些额外的信息 Python 可以进行自由、动态的编码 Python 列表不仅仅是一个列表 Python
第四章 插值与拟合 给定一系列的点，求多项式函数 可以用n个点确定n个未知量，但此方程组病态，误差极大。 1.插值余项（PPT1 用于估算误差（P76 2.拉格朗日插值多项式 为每个点构造一个格式统一的函数，使得取到该点时值为1，其余点均为0. 一种构造： 取2点，为线性插值，代码： function y=xian
1、斑点概念 斑点通常是指与周围有着颜色和灰度差别的区域。在实际地图中，往往存在着大量这样的斑点，如一棵树是一个斑点，一块草地是一个斑点，一栋房子也可以是一个斑点。由于斑点代表的是一个区域，相比单纯的角点，它的稳定性要好，抗噪声能力要强，所以它在图像配准上扮演了很重要的角色。
所谓的向量的维数n就是n个数据可以确定一个具体的点。既然我们处于三维空间，对大于三维的度量不容易理解。 先从三维谈起，如向量{x1,x2,x3}在三维空间上必然可以被分解为： {x1,x2,x3}=x1{1,0,0}+x2{0,1,0}+x3{0,0,1} 其中，这三个分量{1,0,0}{0,1,0}{0,0,1}是线性无关的，而且是正交的。
今天朋友问了我这么一个数学题目，反正是概率论的 我没玩过游戏王，所以按照他的想法写了以下代码，这份代码主要是用来计算收益的 顺便试了一下jupyterhub，共同编辑一份代码 效果如下 这个卡名的①②的效果1回合各能使用1次。 ①：自己主要阶段才能发动。这张卡从手卡特殊召唤，从自己手卡
一、前言 首先对这几次题目的知识点、题量、难度进行总结。PTA第四次作业，7-1考察的是对于正则表达式的使用，题目没有很难，只需要了解一下正则表达式的使用就行了。7-3考察的是编写一个银行业务类BankBusiness，然后实现一些简单的功能。7-2是这次作业中难的题目，是点线形系列4-
一、前言： 这次的期中考试相对于来说难度还是比较简单的，但是对于我来说容器的知识记得不是很牢固，所以导致没有满分，但是过后再去写的时候又没有那么难，pta包括期中考试整体方面的题量和难度来说是比较大的，期中考试的题目如果说你知识点不牢固，你有可能做不完，pta的题目难度很大，主要
1、朴素贝叶斯 朴素贝叶斯是一种基于贝叶斯定理和特征条件独立假设的分类算法。 简单而言，对于给定的训练数据，朴素贝叶斯先基于特征条件独立假设学习输入和输出的联合概率分布，然后基于此分布对于新的实例，利用贝叶斯定理计算出最大的后验概率。朴素贝叶斯不会直接学习输入输出的联合
欧式距离： 两点之间的直线距离： 二维平面上两点 a(x1,x2），b(y1,y2) 间的欧式距离为： \(d = \sqrt{(x_{1}-y_{1})^{2}+(x_{2}-y_{2})^{2}}\) 三维平面上两点 a(x1,x2,x3)， b(y1,y2,y3)间的欧氏距离： \(d = \sqrt{(x_{1}-y_{1})^{2}+(x_{2}-y_{2})^{2}
https://codeforces.com/gym/103443/problem/F 扫描线核心思想就是从下到上暴力跑一维，把另一维的线段化为两个点处理，若处理两个点的线段的时间复杂度是log，这样平面上n个矩形，值域为X，Y的问题，能够在nXlogn(Y)的复杂度内处理 离散化 暴力一个一个点的涂色是n^3 考虑用扫描线从下往
%% 符号函数的求导 clear;clc % 一元函数的导数 syms x y = x^4-5*x^2+6 diff(y) %求一阶导数 % 4*x^3 - 10*x diff(y,2) %求二阶导数 % 12*x^2 - 10 y = cos(x)*tan(x) dy = diff(y,10) %求十阶导数 simplify(dy) y = sin(x)*tan(x) dy = diff(y,10) %求十阶导数 simplify(dy
5.7 一维前缀和 主要思想； 初始化前缀和数 由于存在s[i] =s[i-1]+a[i];s是前缀和，a[i]是每一位的数；所以需要将i从1开始读入所有的数 for (int i = 1; i <= n; i++) { s[i] = s[i - 1] + q[i]; } //求区间的前缀和 cout << s[r] - s[l - 1] << endl;//l - r 上的区
思路：没啥好说的，就是在转移的过程中有一个条件要特判一下 后记： 在写代码的时候 能写if else 就写，不要写2个if，不然 当第一个if里面的 条件元素 变换后，也会影响到后面的条件元素，进行2次条件判断了！！！ 所以 要么写 if else ，要么每一个if 都写 continue #include <bits/stdc++.h> us
编程导航：nav.wenancoding.com 个人blog：wenancoding.com gzh：【问安coding】 定义 感知机接收多个输入信号，输出一个信号。感知机的信号只有1/0两种取值，0对应“不传递信号”，1对应“传递信号”。 x 1 ，x 2 是输入信号。 y是输出信号。 w 1 、w 2 是权重（w是weight的首字母）。每个变量
前缀和与差分 前缀和和差分更像是一种思想 一维前缀和 一维前缀和的定义：s[i] = s[1] + s[2] + ... + s[i] 用处：快速算一段区间的和：s[l] + ... + s[r] = s[r] - s[l - 1] 二维前缀和 二位前缀和的定义 如图，前缀和数组中(x1, y1)的值是原数组红色矩阵中所有数的和 作用快速求一
这是本学期第二次写blog，最近学到很多新的东西，我认为有必要总结一下学习成果。下面是我近期学习的内容和对题目集的理解，以及对测试点的踩坑心得。 首先呢是关于正则表达式的学习，所谓正则表达式，又称正规表示法、常规表示法，在代码中常简写为 regex、regexp 或 RE，它是计算机科学
import sys,mathimport pygame#使用pygame之前必须初始化pygame.init()#设置主屏窗口screen = pygame.display.set_mode((800,600))#设置窗口标题pygame.display.set_caption('')# source = pygame.Surface((50, 50), flags=pygame.HWSURFACE)# 如果没有下列主循环代码，运行结果会
import sys,mathimport pygame#使用pygame之前必须初始化pygame.init()#设置主屏窗口screen = pygame.display.set_mode((800,600))#设置窗口标题pygame.display.set_caption('')# source = pygame.Surface((50, 50), flags=pygame.HWSURFACE)# 如果没有下列主循环代码，运行结果会
简介 实现 二次函数的拟合，然后将新的二次函数进行迁移拟合 code import numpy as np import matplotlib.pyplot as plt def fix_seed(seed=1): # reproducible np.random.seed(seed) # make up data建立数据 fix_seed(1) x_data = np.linspace(-5, 5, 100)[:, np.ne
比赛链接： https://codeforces.com/contest/38 D. Vasya the Architect 题目大意： 有 \(n\) 个立方体，给了每一个立方体在 \(xoy\) 面上投影的对角坐标，按照给定的顺序，依次往上叠立方体，问在保持平衡不到的状态下，最多能叠多少个立方体。 思路： 对于第 \(i\) 个立方体，需要判断的是它的重
方法一是最原始的，不使用任何函数的方法，也是最容易想到的，既把所有的排列组合都写出来： #方法一x1 = int(input('输入数字1: ')) x2 = int(input('输入数字2: ')) x3 = int(input('输入数字3: ')) if x1 > x2: if x2 > x3: print('{} > {} > {}'.format(x1, x2, x
什么是Lingo LINGO是Linear Interactive and General Optimizer的缩写，即“交互式的线性和通用优化求解器”，可以用于求解非线性规划，也可以用于一些线性和非线性方程组的求解等，功能十分强大，是求解优化模型的最佳选择。 其特色在于内置建模语言，提供十几个内部函数，可以允许决策变量是
A. 4070. 异或 题目链接：https://www.acwing.com/problem/content/4073/ 题目大意：略。 解题思路：简单模拟。 示例程序： #include <bits/stdc++.h> using namespace std; int n, a[11], res; int main() { cin >> n; for (int i = 0; i < n; i++) cin >> a[i];
简介 逻辑回归： 使用了逻辑回归函数对数据进行了拟合就叫逻辑回归？？ \[P(x)=\frac{1}{1+e^{-x}}（sigmoid function） \]\[y= \begin{cases}1, & P(x) \geq 0.5 \\ \hline 0, & P(x)<0.5\end{cases} \]其中y为分类结果，P为概率分布，x为特征值。 分类问题的核心就是寻找决策边界。 损失函数
Java 从零开始实现一个画图板、以及图像处理功能，代码可复现 这是一个学习分享博客，带你从零开始实现一个画图板、图像处理的小项目，为了降低阅读难度，本博客将画图板的一步步迭代优化过程展示给读者，篇幅较长，Java初学者可放心食用。（文末有源代码） 本博客实现的功能（根据本文讲解的顺序）
