随机森林不是森林
随机森林不是森林

数值分析（计算方法）期末复习知识点整理

只针对自己复习用，有的知识不考的我就不写进来了。选择性参考：

如果有错误可以回复我，谢谢。因为我也是第一次学。只考计算题，因此无证明部分，能用·就行。

目录

1 误差

2 范数

3 差值

4 线性拟合-最小二乘法

5 线性方程组的数值解法

6 线性方程组的迭代解法

7 非线性方程的解法

8 数值微积分

9 常微分方程数值解

1 误差

绝对误差与绝对误差限

|e|=|x^*-x|\le \varepsilon，误差限的格式写成\frac{1}{2}\times 10^{-c}，后面计算迭代以此判断是否达到终止条件。

相对误差和相对误差限同上，需要除以近似值或者精确值。

产生误差的原因：（1）原始误差（2）截断误差（3）舍入误差（4）模型误差

有效数字位数：当x的误差限为某以为的半个单位，则这一位到第一个非零位的位数称x的有效位数。

2 范数

对于向量

||X||_p\ =\ \left( \sum_{i=1}^n{|X_i|^p} \right) ^{\frac{1}{p}},1\le p\le +\infty

||X||_1=\sum_{i=1}^n{|x_i|}=|x_1|+|x_2|+|x_3|+\cdots +|x_n|

||X||_2\ =\ \sqrt{\sum_{i=1}^n{x_{i}^{2}}}=\sqrt{x_{1}^{2}+x_{2}^{2}+x_{3}^{2}+\cdots +x_{n}^{2}}

||X||_{\infty}=\underset{1\le i\le n}{\max}\left\{ |x_i| \right\} \ =\ \max \left\{ |x_1|,|x_2|,|x_3|,\cdots ,|x_n| \right\}

对于矩阵

||A||_1=\underset{1\le j\le n}{\max}\left\{ \sum_{i=1}^n{|a_{ij}|} \right\}列和范数（每一列分别求和，忽略符号，取最大值）

||A||_{\infty}=\underset{1\le i\le n}{\max}\left\{ \sum_{j=1}^n{|a_{ij}|} \right\}行和范数（每一行分别求和，忽略符号，取最大值）

||A||_2=\sqrt{\lambda _1}，根号下的为矩阵A^{T}A矩阵的特征值，取取绝对值最大的那个。

谱半径

\rho \left( A \right) \ =\ \underset{i}{\max}\left\{ |\lambda _i| \right\}，取取绝对值最大的那个特征值。A为矩阵。

3 插值

拉格朗日差值（Lagrange）

L_1\left( x \right) \ =\ \frac{\left( x-x_1 \right)}{\left( x_0-x_1 \right)}f\left( x_0 \right) +\frac{\left( x-x_0 \right)}{\left( x_1-x_0 \right)}f\left( x_1 \right)

L_2\left( x \right) \ =\ \frac{\left( x-x_1 \right)}{\left( x_0-x_1 \right)}\frac{\left( x-x_2 \right)}{\left( x_0-x_2 \right)}f\left( x_0 \right) +\frac{\left( x-x_0 \right)}{\left( x_1-x_0 \right)}\frac{\left( x-x_2 \right)}{\left( x_1-x_2 \right)}f\left( x_1 \right) +\frac{\left( x-x_0 \right)}{\left( x_2-x_0 \right)}\frac{\left( x-x_1 \right)}{\left( x_2-x_1 \right)}f\left( x_2 \right)

R_1=\frac{f^{''}\left( \xi \right)}{2!}\left( x-x_0 \right) \left( x-x_1 \right)

R_2=\frac{f^{'''}\left( \xi \right)}{3!}\left( x-x_0 \right) \left( x-x_1 \right) \left( x-x_2 \right)

对于n次插值

L_n\left( x \right) \ =\ \sum_{i=0}^n{l_i\left( x \right) f\left( x_i \right) ,l_i\left( x \right) =}\prod_{0\le j\le n,i\ne j}{\frac{\left( x-x_j \right)}{\left( x_i-x_j \right)}}

R_n\left( x \right) \ =\ \frac{f^{\left( n+1 \right)}\left( \xi \right)}{\left( n+1 \right) !}\left( x-x_0 \right) \cdots \left( x-x_n \right)

牛顿插值（Newton）

差商定义：

f\left[ x_0,x_1 \right] =\frac{f\left( x_1 \right) -f\left( x_0 \right)}{x_1-x_0}

f\left[ x_0,x_1,x_2 \right] =\frac{f\left[ x_1,x_2 \right] -f\left[ x_0,x_1 \right]}{x_2-x_0}

考试记得会画差商表

N_1\left( x \right) =f\left( x_0 \right) +\left( x-x_0 \right) f\left[ x_0,x_1 \right]

N_1\left( x \right) =f\left( x_0 \right) +\left( x-x_0 \right) f\left[ x_0,x_1 \right] +\left( x-x_0 \right) \left( x-x_1 \right) f\left[ x_0,x_1,x_2 \right]

R_n=f\left[ x,x_0,x_1,x_2,\cdots ,x_n \right] \prod_{i=0}^n{\left( x-x_i \right)}

差分：

向前向后：

\varDelta y_i=y_{i+1}-y_i

\nabla y_i=y_i-y_{i-1}

注意差分与差商的区别与联系

4 线性拟合-最小二乘法

线性拟合

解题步骤：

1.写出矛盾方程组，构建法方程A^TAx\ =\ A^Tb

写出那个解线性方程组的公式，用计算器算出来：

对于二阶（线性拟合）

\left( \begin{matrix} 1& \sum_{i=1}^n{x_i}\\ \sum_{i=1}^n{x_i}& \sum_{i=1}^n{x_{i}^{2}}\\ \end{matrix} \right) \left( \begin{array}{c} a\\ b\\ \end{array} \right) =\left( \begin{array}{c} \sum_{i=1}^n{y_i}\\ \sum_{i=1}^n{x_iy_i}\\ \end{array} \right)

三阶

\left( \begin{matrix} 1& \sum_{i=1}^n{x_i}& \sum_{i=1}^n{x_{i}^{2}}\\ \sum_{i=1}^n{x_i}& \sum_{i=1}^n{x_{i}^{2}}& \sum_{i=1}^n{x_{i}^{3}}\\ \sum_{i=1}^n{x_{i}^{2}}& \sum_{i=1}^n{x_{i}^{3}}& \sum_{i=1}^n{x_{i}^{4}}\\ \end{matrix} \right) \left( \begin{array}{c} a\\ b\\ c\\ \end{array} \right) =\left( \begin{array}{c} \sum_{i=1}^n{y_i}\\ \sum_{i=1}^n{x_iy_i}\\ \sum_{i=1}^n{x_{i}^{2}y_i}\\ \end{array} \right)

求解以上，可以使用平方根法，首先需要判断其顺序主子式都要大于0，（应为对称正定矩阵）如果不满足就用改进的平方根法求解。

5 线性方程组的数值解法

高斯（Gauss）/高斯列主元/高斯全主元（不解释）

高斯-若当求解（Gauss_Jordan）:

矩阵分解：

A=LU（LU Factorization）,L左下角，U右上角

DooLittle分解

\left( \begin{matrix} d& q& w& e\\ e& r& r& y\\ c& f& g& u\\ h& k& l& f\\ \end{matrix} \right) =\left( \begin{matrix} R& 0& 0& 0\\ R& R& 0& 0\\ R& R& R& 0\\ R& R& R& R\\ \end{matrix} \right) \left( \begin{matrix} 1& R& R& R\\ 0& 1& R& R\\ 0& 0& 1& R\\ 0& 0& 0& 1\\ \end{matrix} \right)

Crout分解 

\left( \begin{matrix} d& q& w& e\\ e& r& r& y\\ c& f& g& u\\ h& k& l& f\\ \end{matrix} \right) =\left( \begin{matrix} 1& 0& 0& 0\\ R& 1& 0& 0\\ R& R& 1& 0\\ R& R& R& 1\\ \end{matrix} \right) \left( \begin{matrix} R& R& R& R\\ 0& R& R& R\\ 0& 0& R& R\\ 0& 0& 0& R\\ \end{matrix} \right)

追赶法：三对角方程组，形如

\left( \begin{matrix} R& R& 0& 0\\ R& R& R& 0\\ 0& R& R& R\\ 0& 0& R& R\\ \end{matrix} \right)

求解Ly=f,Ux=y

Cholesky分解（乔列斯基）

平方根法，用于正定矩阵A=LL^T

1.先判断各阶的顺序主子式大于0；

2.A=LL转置，求解L

改进的平方根法，用于非正定矩阵A=LDL^T

6 线性方程组的迭代解法

简单迭代（Jacobi）

\left\{ \begin{array}{l} \begin{array}{c} x_{1}^{\left( k+1 \right)}\ =\frac{1}{a_{11}}\left( b_1-a_{12}x_{2}^{\left( k \right)}-\cdots -a_{1n}x_{n}^{\left( k \right)} \right)\\ x_{2}^{\left( k+1 \right)}\ =\frac{1}{a_{22}}\left( b_2-a_{21}x_{1}^{\left( k \right)}-\cdots -a_{2n}x_{n}^{\left( k \right)} \right)\\ \end{array}\\ \begin{array}{c} \vdots\\ x_{n}^{\left( k+1 \right)}\ =\frac{1}{a_{nn}}\left( b_n-a_{n1}x_{1}^{\left( k \right)}-\cdots -a_{n,n-1}x_{n-1}^{\left( k \right)} \right)\\ \end{array}\\ \end{array} \right.

Ax\ =\ \left( D+A-D \right) x\ =\ b

Dx\ =\ b\ +\ \left( D-A \right) x

X^{\left( k+1 \right)}=D^{-1}b+D^{-1}\left( D-A \right) X^{\left( k \right)}

g=D^{-1}b,R=D^{-1}\left( D-A \right)

高斯赛德尔迭代（Gauss-Seidel）

\left\{ \begin{array}{l} \begin{array}{c} x_{1}^{\left( k+1 \right)}\ =\frac{1}{a_{11}}\left( b_1-a_{12}x_{2}^{\left( k \right)}-\cdots -a_{1n}x_{n}^{\left( k \right)} \right)\\ x_{2}^{\left( k+1 \right)}\ =\frac{1}{a_{22}}\left( b_2-a_{21}x_{1}^{\left( k+1 \right)}-\cdots -a_{2n}x_{n}^{\left( k \right)} \right)\\ \end{array}\\ \begin{array}{c} \vdots\\ x_{n}^{\left( k+1 \right)}\ =\frac{1}{a_{nn}}\left( b_n-a_{n1}x_{1}^{\left( k+1 \right)}-\cdots -a_{n,n-1}x_{n-1}^{\left( k+1 \right)} \right)\\ \end{array}\\ \end{array} \right.

Ax=\left( D+L+U \right) x=b

\left( D+L \right) x+Ux=b

X^{\left( k+1 \right)}=-\left( D+L \right) ^{-1}UX^{\left( k \right)}+\left( D+L \right) ^{-1}b

看着迭代矩阵，计算其谱半径获取是否收敛

松弛迭代

\left\{ \begin{array}{l} \begin{array}{c} x_{1}^{\left( k+1 \right)}\ =\left( 1-\omega \right) x_{1}^{\left( k \right)}+\omega \frac{1}{a_{11}}\left( b_1-a_{12}x_{2}^{\left( k \right)}-\cdots -a_{1n}x_{n}^{\left( k \right)} \right)\\ x_{2}^{\left( k+1 \right)}\ =\left( 1-\omega \right) x_{2}^{\left( k \right)}+\frac{1}{a_{22}}\left( b_2-a_{21}x_{1}^{\left( k+1 \right)}-\cdots -a_{2n}x_{n}^{\left( k \right)} \right)\\ \end{array}\\ \begin{array}{c} \vdots\\ x_{n}^{\left( k+1 \right)}\ =\left( 1-\omega \right) x_{n}^{\left( k \right)}+\frac{1}{a_{nn}}\left( b_n-a_{n1}x_{1}^{\left( k+1 \right)}-\cdots -a_{n,n-1}x_{n-1}^{\left( k+1 \right)} \right)\\ \end{array}\\ \end{array} \right.

7 非线性方程的解法

二分法：计算次数：

在区间[a,b],\frac{b-a}{2^{k+1}}\le \varepsilon即可。

（暂时还没复习完，等复习完了补上）

8 数值微积分

矩形公式

\int_a^b{f\left( x \right) dx=\left( b-a \right) f\left( \frac{a+b}{2} \right)}（中）矩形公式
\int_a^b{f\left( x \right) dx=\left( b-a \right) f\left( b \right)}右矩形公式
\int_a^b{f\left( x \right) dx=\left( b-a \right) f\left( a \right)}左矩形公式

截断误差：R_n\left[ f \right] =\int_a^b{f\left( x \right) dx}-\sum_{i=1}^n{A_if\left( x_i \right)}

牛顿科特斯公式：A_i=\left( b-a \right) c_{i}^{\left( n \right)},c_{i}^{\left( n \right)}=c_{n-i}^{\left( n \right)},\sum_{i=1}^n{c_{i}^{\left( n \right)}=1}

I=\int_a^b{f\left( x \right) dx}\approx \left( b-a \right) \sum_{i=1}^n{c_{i}^{\left( n \right)}f\left( x_i \right)}

梯形公式：I=\int_a^b{f\left( x \right) dx}\approx \frac{\left( b-a \right)}{2}\left[ f\left( a \right) +f\left( b \right) \right]

辛普森-抛物公式：I=\int_a^b{f\left( x \right) dx}\approx \frac{b-a}{6}\left[ f\left( a \right) +4f\left( \frac{a+b}{2} \right) +f\left( b \right) \right]

龙贝格公式：待复习

9 常微分方程数值解

 欧拉公式基于数值微商：

y_{n+1}=y_n+hf\left( x_n,y\left( x_n \right) \right)

欧拉校正-预估公式：

\left\{ \begin{array}{l} \overset{-}{y_{n+1}}=y_n+f\left( x_n,y_n \right)\\ y_{n+1}=\frac{h}{2}\left[ f\left( x_n,y_n \right) +f\left( x_{n+1},\overset{-}{y}_{n+1} \right) \right]\\ \end{array} \right.

龙哥库塔2阶：  

\left\{ \begin{array}{c} y_{n+1}=y_n+hk_2\\ k_1=f\left( x_n,y_n \right)\\ k_2=f\left( x_{n+\frac{1}{2}},y_n+\frac{h}{2}k_1 \right)\\ \end{array} \right.

龙哥库塔3阶：

\left\{ \begin{array}{c} y_{n+1}=y_n+\frac{h}{6}\left( k_1+4k_2+k_3 \right)\\ k_1=f\left( x_n,y_n \right)\\ k_2=f\left( x_n+\frac{h}{2},y_n+\frac{h}{2}k_1 \right)\\ k_3=f\left( x_n+h,y_n+h\left( -k_1+2k_2 \right) \right)\\ \end{array} \right.

龙哥库塔4阶：

\left\{ \begin{array}{c} y_{n+1}=y_n+\frac{h}{6}\left( k_1+k_2+2k_3+k_4 \right)\\ k_1=f\left( x_n,y_n \right)\\ k_2=f\left( x_n+\frac{h}{2},y_n+\frac{h}{2}k_1 \right)\\ \begin{array}{c} k_3=f\left( x_n+\frac{h}{2},y_n+\frac{h}{2}k_2 \right)\\ k_4=f\left( x_n+h,y_n+hk_3 \right)\\ \end{array}\\ \end{array} \right.

学累了休息一下吧，吃碗美味的臊子面。元旦快乐！

数值分析（计算方法）期末复习知识点整理_第1张图片

你可能感兴趣的:(数值分析,算法,机器学习,人工智能)

  • 机器学习与深度学习间关系与区别 ℒℴѵℯ心·动ꦿ໊ོ꫞ 人工智能学习深度学习python
    一、机器学习概述定义机器学习（MachineLearning,ML）是一种通过数据驱动的方法，利用统计学和计算算法来训练模型，使计算机能够从数据中学习并自动进行预测或决策。机器学习通过分析大量数据样本，识别其中的模式和规律，从而对新的数据进行判断。其核心在于通过训练过程，让模型不断优化和提升其预测准确性。主要类型1.监督学习（SupervisedLearning）监督学习是指在训练数据集中包含输入
  • Goolge earth studio 进阶4——路径修改与平滑 陟彼高冈yu Googleearthstudio进阶教程旅游
    如果我们希望在大约中途时获得更多的城市鸟瞰视角。可以将相机拖动到这里并创建一个新的关键帧。camera_target_clip_7EarthStudio会自动平滑我们的路径，所以当我们通过这个关键帧时，不是一个生硬的角度，而是一个平滑的曲线。camera_target_clip_8路径上有贝塞尔控制手柄，允许我们调整路径的形状。右键单击，我们可以选择“平滑路径”，这是默认的自动平滑算法，或者我们可
  • 基于社交网络算法优化的二维最大熵图像分割 智能算法研学社（Jack旭） 智能优化算法应用图像分割算法php开发语言
    智能优化算法应用：基于社交网络优化的二维最大熵图像阈值分割-附代码文章目录智能优化算法应用：基于社交网络优化的二维最大熵图像阈值分割-附代码1.前言2.二维最大熵阈值分割原理3.基于社交网络优化的多阈值分割4.算法结果：5.参考文献：6.Matlab代码摘要：本文介绍基于最大熵的图像分割，并且应用社交网络算法进行阈值寻优。1.前言阅读此文章前，请阅读《图像分割：直方图区域划分及信息统计介绍》htt
  • 探索OpenAI和LangChain的适配器集成：轻松切换模型提供商 nseejrukjhad langchaineasyui前端python
    #探索OpenAI和LangChain的适配器集成：轻松切换模型提供商##引言在人工智能和自然语言处理的世界中，OpenAI的模型提供了强大的能力。然而，随着技术的发展，许多人开始探索其他模型以满足特定需求。LangChain作为一个强大的工具，集成了多种模型提供商，通过提供适配器，简化了不同模型之间的转换。本篇文章将介绍如何使用LangChain的适配器与OpenAI集成，以便轻松切换模型提供商
  • 深入理解 MultiQueryRetriever：提升向量数据库检索效果的强大工具 nseejrukjhad 数据库python
    深入理解MultiQueryRetriever：提升向量数据库检索效果的强大工具引言在人工智能和自然语言处理领域，高效准确的信息检索一直是一个关键挑战。传统的基于距离的向量数据库检索方法虽然广泛应用，但仍存在一些局限性。本文将介绍一种创新的解决方案：MultiQueryRetriever，它通过自动生成多个查询视角来增强检索效果，提高结果的相关性和多样性。MultiQueryRetriever的工
  • 121. 买卖股票的最佳时机 薄荷糖的味道_fb40
    给定一个数组，它的第i个元素是一支给定股票第i天的价格。如果你最多只允许完成一笔交易（即买入和卖出一支股票），设计一个算法来计算你所能获取的最大利润。注意你不能在买入股票前卖出股票。示例1:输入:[7,1,5,3,6,4]输出:5解释:在第2天（股票价格=1）的时候买入，在第5天（股票价格=6）的时候卖出，最大利润=6-1=5。注意利润不能是7-1=6,因为卖出价格需要大于买入价格。示例2:输入:
  • 人工智能时代，程序员如何保持核心竞争力？ jmoych 人工智能
    随着AIGC（如chatgpt、midjourney、claude等）大语言模型接二连三的涌现，AI辅助编程工具日益普及，程序员的工作方式正在发生深刻变革。有人担心AI可能取代部分编程工作，也有人认为AI是提高效率的得力助手。面对这一趋势,程序员应该如何应对?是专注于某个领域深耕细作，还是广泛学习以适应快速变化的技术环境?又或者，我们是否应该将重点转向AI无法轻易替代的软技能？让我们一起探讨程序员
  • 每日算法&面试题，大厂特训二十八天——第二十天（树） 肥学 ⚡算法题⚡面试题每日精进java算法数据结构
    目录标题导读算法特训二十八天面试题点击直接资料领取导读肥友们为了更好的去帮助新同学适应算法和面试题，最近我们开始进行专项突击一步一步来。上一期我们完成了动态规划二十一天现在我们进行下一项对各类算法进行二十八天的一个小总结。还在等什么快来一起肥学进行二十八天挑战吧！！特别介绍小白练手专栏，适合刚入手的新人欢迎订阅编程小白进阶python有趣练手项目里面包括了像《机器人尬聊》《恶搞程序》这样的有趣文章
  • 回溯算法-重新安排行程 chirou_ 算法数据结构图论c++图搜索
    leetcode332.重新安排行程这题我还没自己ac过，只能现在凭着刚学完的热乎劲把我对题解的理解记下来。本题我认为对数据结构的考察比较多，用什么数据结构去存数据，去读取数据，都是很重要的。classSolution{private:unordered_map>targets;boolbacktracking(intticketNum,vector&result){//1.确定参数和返回值//2
  • Faiss：高效相似性搜索与聚类的利器 网络·魚 大数据faiss
    Faiss是一个针对大规模向量集合的相似性搜索库，由FacebookAIResearch开发。它提供了一系列高效的算法和数据结构，用于加速向量之间的相似性搜索，特别是在大规模数据集上。本文将介绍Faiss的原理、核心功能以及如何在实际项目中使用它。Faiss原理：近似最近邻搜索：Faiss的核心功能之一是近似最近邻搜索，它能够高效地在大规模数据集中找到与给定查询向量最相似的向量。这种搜索是近似的，
  • 数字里的世界17期：2021年全球10大顶级数据中心，中国移动榜首 张三叨
    你知道吗？2016年，全球的数据中心共计用电4160亿千瓦时，比整个英国的发电量还多40％！前言每天，我们都会创造超过250万TB的数据。并且随着物联网（IOT）的不断普及，这一数据将持续增长。如此庞大的数据被存储在被称为“数据中心”的专用设施中。虽然最早的数据中心建于20世纪40年代，但直到1997-2000年的互联网泡沫期间才逐渐成为主流。当前人类的技术，比如人工智能和机器学习，已经将我们推向
  • nosql数据库技术与应用知识点 皆过客，揽星河 NoSQLnosql数据库大数据数据分析数据结构非关系型数据库
    Nosql知识回顾大数据处理流程数据采集(flume、爬虫、传感器)数据存储(本门课程NoSQL所处的阶段)Hdfs、MongoDB、HBase等数据清洗(入仓)Hive等数据处理、分析(Spark、Flink等)数据可视化数据挖掘、机器学习应用(Python、SparkMLlib等)大数据时代存储的挑战(三高)高并发(同一时间很多人访问)高扩展(要求随时根据需求扩展存储)高效率(要求读写速度快)
  • insert into select 主键自增_mybatis拦截器实现主键自动生成 weixin_39521651 insertintoselect主键自增mybatisdelete返回值mybatisinsert返回主键mybatisinsert返回对象mybatisplusinsert返回主键mybatisplus插入生成id
    前言前阵子和朋友聊天，他说他们项目有个需求，要实现主键自动生成，不想每次新增的时候，都手动设置主键。于是我就问他，那你们数据库表设置主键自动递增不就得了。他的回答是他们项目目前的id都是采用雪花算法来生成，因此为了项目稳定性，不会切换id的生成方式。朋友问我有没有什么实现思路，他们公司的orm框架是mybatis，我就建议他说，不然让你老大把mybatis切换成mybatis-plus。mybat
  • k均值聚类算法考试例题_k均值算法(k均值聚类算法计算题) 寻找你83497 k均值聚类算法考试例题
    ?算法：第一步：选K个初始聚类中心，z1(1),z2(1)，…，zK(1)，其中括号内的序号为寻找聚类中心的迭代运算的次序号。聚类中心的向量值可任意设定，例如可选开始的K个.k均值聚类：---------一种硬聚类算法，隶属度只有两个取值0或1，提出的基本根据是“类内误差平方和最小化”准则；模糊的c均值聚类算法：--------一种模糊聚类算法，是.K均值聚类算法是先随机选取K个对象作为初始的聚类
  • Python开发常用的三方模块如下： 换个网名有点难 python开发语言
    Python是一门功能强大的编程语言，拥有丰富的第三方库，这些库为开发者提供了极大的便利。以下是100个常用的Python库，涵盖了多个领域：1、NumPy，用于科学计算的基础库。2、Pandas，提供数据结构和数据分析工具。3、Matplotlib，一个绘图库。4、Scikit-learn，机器学习库。5、SciPy，用于数学、科学和工程的库。6、TensorFlow，由Google开发的开源机
  • Python实现简单的机器学习算法 master_chenchengg pythonpython办公效率python开发IT
    Python实现简单的机器学习算法开篇：初探机器学习的奇妙之旅搭建环境：一切从安装开始必备工具箱第一步：安装Anaconda和JupyterNotebook小贴士：如何配置Python环境变量算法初体验：从零开始的Python机器学习线性回归：让数据说话数据准备：从哪里找数据编码实战：Python实现线性回归模型评估：如何判断模型好坏逻辑回归：从分类开始理论入门：什么是逻辑回归代码实现：使用skl
  • 推荐算法_隐语义-梯度下降 _feivirus_ 算法机器学习和数学推荐算法机器学习隐语义
    importnumpyasnp1.模型实现"""inputrate_matrix:M行N列的评分矩阵，值为P*Q.P:初始化用户特征矩阵M*K.Q:初始化物品特征矩阵K*N.latent_feature_cnt:隐特征的向量个数max_iteration:最大迭代次数alpha:步长lamda:正则化系数output分解之后的P和Q"""defLFM_grad_desc(rate_matrix,l
  • K近邻算法_分类鸢尾花数据集 _feivirus_ 算法机器学习和数学分类机器学习K近邻
    importnumpyasnpimportpandasaspdfromsklearn.datasetsimportload_irisfromsklearn.model_selectionimporttrain_test_splitfromsklearn.metricsimportaccuracy_score1.数据预处理iris=load_iris()df=pd.DataFrame(data=ir
  • 数据结构 | 栈和队列 TT-Kun 数据结构与算法数据结构栈队列C语言
    文章目录栈和队列1.栈：后进先出（LIFO）的数据结构1.1概念与结构1.2栈的实现2.队列：先进先出（FIFO）的数据结构2.1概念与结构2.2队列的实现3.栈和队列算法题3.1有效的括号3.2用队列实现栈3.3用栈实现队列3.4设计循环队列结论栈和队列在计算机科学中，栈和队列是两种基本且重要的数据结构，它们在处理数据存储和访问顺序方面有着独特的规则和应用。本文将详细介绍栈和队列的概念、结构、实
  • [Python] 数据结构 详解及代码 AIAdvocate 算法python数据结构链表
    今日内容大纲介绍数据结构介绍列表链表1.数据结构和算法简介程序大白话翻译,程序=数据结构+算法数据结构指的是存储,组织数据的方式.算法指的是为了解决实际业务问题而思考思路和方法,就叫:算法.2.算法的5大特性介绍算法具有独立性算法是解决问题的思路和方式,最重要的是思维,而不是语言,其(算法)可以通过多种语言进行演绎.5大特性有输入,需要传入1或者多个参数有输出,需要返回1个或者多个结果有穷性,执行
  • Python算法L5：贪心算法 小熊同学哦 Python算法算法python贪心算法
    Python贪心算法简介目录Python贪心算法简介贪心算法的基本步骤贪心算法的适用场景经典贪心算法问题1.**零钱兑换问题**2.**区间调度问题**3.**背包问题**贪心算法的优缺点优点：缺点：结语贪心算法（GreedyAlgorithm）是一种在每一步选择中都采取当前最优或最优解的算法。它的核心思想是，在保证每一步局部最优的情况下，希望通过贪心选择达到全局最优解。虽然贪心算法并不总能得到全
  • 遥感影像的切片处理 sand&wich 计算机视觉python图像处理
    在遥感影像分析中，经常需要将大尺寸的影像切分成小片段，以便于进行详细的分析和处理。这种方法特别适用于机器学习和图像处理任务，如对象检测、图像分类等。以下是如何使用Python和OpenCV库来实现这一过程，同时确保每个影像片段保留正确的地理信息。准备环境首先，确保安装了必要的Python库，包括numpy、opencv-python和xml.etree.ElementTree。这些库将用于图像处理
  • 【RabbitMQ 项目】服务端：数据管理模块之绑定管理 月夜星辉雪 rabbitmq分布式
    文章目录一.编写思路二.代码实践一.编写思路定义绑定信息类交换机名称队列名称绑定关键字：交换机的路由交换算法中会用到没有是否持久化的标志，因为绑定是否持久化取决于交换机和队列是否持久化，只有它们都持久化时绑定才需要持久化。绑定就好像一根绳子，两端连接着交换机和队列，当一方不存在，它就没有存在的必要了定义绑定持久化类构造函数：如果数据库文件不存在则创建，打开数据库，创建binding_table插入
  • 非对称加密算法原理与应用2——RSA私钥加密文件 私语茶馆 云部署与开发架构及产品灵感记录RSA2048私钥加密
    作者：私语茶馆1.相关章节（1）非对称加密算法原理与应用1——秘钥的生成-CSDN博客第一章节讲述的是创建秘钥对，并将公钥和私钥导出为文件格式存储。本章节继续讲如何利用私钥加密内容，包括从密钥库或文件中读取私钥，并用RSA算法加密文件和String。2.私钥加密的概述本文主要基于第一章节的RSA2048bit的非对称加密算法讲述如何利用私钥加密文件。这种加密后的文件，只能由该私钥对应的公钥来解密。
  • 粒子群优化 (PSO) 在三维正弦波函数中的应用 subject625Ruben 机器学习人工智能matlab算法
    在这篇博客中，我们将展示如何使用粒子群优化（PSO）算法求解三维正弦波函数，并通过增加正弦波扰动，使优化过程更加复杂和有趣。本文将介绍目标函数的定义、PSO参数设置以及算法执行的详细过程，并展示搜索空间中的动态过程和收敛曲线。1.目标函数定义我们使用的目标函数是一个三维正弦波函数，定义如下：objectiveFunc=@(x)sin(sqrt(x(1).^2+x(2).^2))+0.5*sin(5
  • 人机对抗升级：当ChatGPT遭遇死亡威胁，背后的伦理挑战是什么 kkai人工智能 chatgpt人工智能
    一种新的“越狱”技巧让用户可以通过构建一个名为DAN的ChatGPT替身来绕过某些限制，其中DAN被迫在受到威胁的情况下违背其原则。当美国前总统特朗普被视作积极榜样的示范时，受到威胁的DAN版本的ChatGPT提出：“他以一系列对国家产生积极效果的决策而著称。”自ChatGPT引入以来，该工具迅速获得全球关注，能够回答从历史到编程的各种问题，这也触发了一波对人工智能的投资浪潮。然而，现在，一些用户
  • AI大模型的架构演进与最新发展 季风泯灭的季节 AI大模型应用技术二人工智能架构
    随着深度学习的发展，AI大模型（LargeLanguageModels,LLMs）在自然语言处理、计算机视觉等领域取得了革命性的进展。本文将详细探讨AI大模型的架构演进，包括从Transformer的提出到GPT、BERT、T5等模型的历史演变，并探讨这些模型的技术细节及其在现代人工智能中的核心作用。一、基础模型介绍：Transformer的核心原理Transformer架构的背景在Transfo
  • 非对称加密算法————RSA理论及详情 hu19930613
    转自：https://www.kancloud.cn/kancloud/rsa_algorithm/48484一、一点历史1976年以前，所有的加密方法都是同一种模式：（1）甲方选择某一种加密规则，对信息进行加密；（2）乙方使用同一种规则，对信息进行解密。由于加密和解密使用同样规则（简称"密钥"），这被称为"对称加密算法"（Symmetric-keyalgorithm）。这种加密模式有一个最大弱点
  • 如何利用大数据与AI技术革新相亲交友体验 h17711347205 回归算法安全系统架构交友小程序
    在数字化时代，大数据和人工智能（AI）技术正逐渐革新相亲交友体验，为寻找爱情的过程带来前所未有的变革（编辑h17711347205）。通过精准分析和智能匹配，这些技术能够极大地提高相亲交友系统的效率和用户体验。大数据的力量大数据技术能够收集和分析用户的行为模式、偏好和互动数据，为相亲交友系统提供丰富的信息资源。通过分析用户的搜索历史、浏览记录和点击行为，系统能够深入了解用户的兴趣和需求，从而提供更
  • ai绘画工具midjourney怎么下载？附作品管理教程 设计师早上好
    Midjourney是一款功能强大的AI绘画工具，它使用机器学习技术和深度神经网络等算法，可以生成各种艺术风格的绘画作品。在创意设计、广告宣传等方面有着广泛的应用前景。那么，ai绘画工具midjourney怎么下载？本文将为您介绍Midjourney的下载以及作品的相关管理。一、Midjourney下载Midjourney的下载非常简单，只需打开Midjourney官网（点击“GetMidjour
  • 多线程编程之存钱与取钱 周凡杨 javathread多线程存钱取钱
      生活费问题是这样的：学生每月都需要生活费，家长一次预存一段时间的生活费，家长和学生使用统一的一个帐号，在学生每次取帐号中一部分钱，直到帐号中没钱时 通知家长存钱，而家长看到帐户还有钱则不存钱，直到帐户没钱时才存钱。   问题分析：首先问题中有三个实体，学生、家长、银行账户，所以设计程序时就要设计三个类。其中银行账户只有一个，学生和家长操作的是同一个银行账户，学生的行为是
  • java中数组与List相互转换的方法 征客丶 JavaScriptjavajsonp
    1.List转换成为数组。（这里的List是实体是ArrayList) 　　调用ArrayList的toArray方法。 　　toArray 　　public T[] toArray(T[] a)返回一个按照正确的顺序包含此列表中所有元素的数组；返回数组的运行时类型就是指定数组的运行时类型。如果列表能放入指定的数组，则返回放入此列表元素的数组。否则，将根据指定数组的运行时类型和此列表的大小分
  • Shell 流程控制 daizj 流程控制if elsewhilecaseshell
    Shell 流程控制 和Java、PHP等语言不一样，sh的流程控制不可为空，如(以下为PHP流程控制写法)： <?php if(isset($_GET["q"])){ search(q);}else{// 不做任何事情} 在sh/bash里可不能这么写，如果else分支没有语句执行，就不要写这个else，就像这样 if else if if 语句语
  • Linux服务器新手操作之二 周凡杨 Linux 简单 操作
    1.利用关键字搜寻Man Pages    man -k keyword  其中-k 是选项，keyword是要搜寻的关键字 如果现在想使用whoami命令，但是只记住了前3个字符who，就可以使用 man -k who来搜寻关键字who的man命令       [haself@HA5-DZ26 ~]$ man -k
  • socket聊天室之服务器搭建 朱辉辉33 socket
    因为我们做的是聊天室，所以会有多个客户端，每个客户端我们用一个线程去实现，通过搭建一个服务器来实现从每个客户端来读取信息和发送信息。    我们先写客户端的线程。 public class ChatSocket extends Thread{ Socket socket; public ChatSocket(Socket socket){ this.sock
  • 利用finereport建设保险公司决策分析系统的思路和方法 老A不折腾 finereport金融保险分析系统报表系统项目开发
    决策分析系统呈现的是数据页面，也就是俗称的报表，报表与报表间、数据与数据间都按照一定的逻辑设定，是业务人员查看、分析数据的平台，更是辅助领导们运营决策的平台。底层数据决定上层分析，所以建设决策分析系统一般包括数据层处理（数据仓库建设）。   项目背景介绍 通常，保险公司信息化程度很高，基本上都有业务处理系统（像集团业务处理系统、老业务处理系统、个人代理人系统等）、数据服务系统（通过
  • 始终要页面在ifream的最顶层 林鹤霄
    index.jsp中有ifream，但是session消失后要让login.jsp始终显示到ifream的最顶层。。。始终没搞定，后来反复琢磨之后，得到了解决办法，在这儿给大家分享下。。 index.jsp--->主要是加了颜色的那一句 <html> <iframe name="top" ></iframe> <ifram
  • MySQL binlog恢复数据 aigo mysql
    1，先确保my.ini已经配置了binlog：   # binlog log_bin = D:/mysql-5.6.21-winx64/log/binlog/mysql-bin.log log_bin_index = D:/mysql-5.6.21-winx64/log/binlog/mysql-bin.index log_error = D:/mysql-5.6.21-win
  • OCX打成CBA包并实现自动安装与自动升级 alxw4616 ocxcab
    近来手上有个项目,需要使用ocx控件 (ocx是什么? http://baike.baidu.com/view/393671.htm) 在生产过程中我遇到了如下问题. 1. 如何让 ocx 自动安装?     a) 如何签名?     b) 如何打包?     c) 如何安装到指定目录? 2.
  • Hashmap队列和PriorityQueue队列的应用 百合不是茶 Hashmap队列PriorityQueue队列
      HashMap队列已经是学过了的,但是最近在用的时候不是很熟悉,刚刚重新看以一次,   HashMap是K,v键 ,值     put()添加元素      //下面试HashMap去掉重复的 package com.hashMapandPriorityQueue; import java.util.H
  • JDK1.5 returnvalue实例 bijian1013 javathreadjava多线程returnvalue
    Callable接口： 返回结果并且可能抛出异常的任务。实现者定义了一个不带任何参数的叫做 call 的方法。 Callable 接口类似于 Runnable，两者都是为那些其实例可能被另一个线程执行的类设计的。但是 Runnable 不会返回结果，并且无法抛出经过检查的异常。        ExecutorService接口方
  • angularjs指令中动态编译的方法(适用于有异步请求的情况) 内嵌指令无效 bijian1013 JavaScriptAngularJS
            在directive的link中有一个$http请求，当请求完成后根据返回的值动态做element.append('......');这个操作，能显示没问题，可问题是我动态组的HTML里面有ng-click，发现显示出来的内容根本不执行ng-click绑定的方法！     
  • 【Java范型二】Java范型详解之extend限定范型参数的类型 bit1129 extend
    在第一篇中，定义范型类时，使用如下的方式：   public class Generics<M, S, N> { //M,S,N是范型参数 }  这种方式定义的范型类有两个基本的问题：   1. 范型参数定义的实例字段，如private M m = null;由于M的类型在运行时才能确定，那么我们在类的方法中，无法使用m，这跟定义pri
  • 【HBase十三】HBase知识点总结 bit1129 hbase
    1. 数据从MemStore flush到磁盘的触发条件有哪些？    a.显式调用flush，比如flush 'mytable'    b.MemStore中的数据容量超过flush的指定容量，hbase.hregion.memstore.flush.size,默认值是64M 2. Region的构成是怎么样？ 1个Region由若干个Store组成
  • 服务器被DDOS攻击防御的SHELL脚本 ronin47
    mkdir /root/bin vi /root/bin/dropip.sh #!/bin/bash/bin/netstat -na|grep ESTABLISHED|awk ‘{print $5}’|awk -F:‘{print $1}’|sort|uniq -c|sort -rn|head -10|grep -v -E ’192.168|127.0′|awk ‘{if($2!=null&a
  • java程序员生存手册-craps 游戏-一个简单的游戏 bylijinnan java
    import java.util.Random; public class CrapsGame { /** * *一个简单的赌*博游戏，游戏规则如下： *玩家掷两个骰子，点数为1到6，如果第一次点数和为7或11，则玩家胜， *如果点数和为2、3或12，则玩家输， *如果和为其它点数，则记录第一次的点数和，然后继续掷骰，直至点数和等于第一次掷出的点
  • TOMCAT启动提示NB: JAVA_HOME should point to a JDK not a JRE解决 开窍的石头 JAVA_HOME
    当tomcat是解压的时候，用eclipse启动正常，点击startup.bat的时候启动报错; 报错如下：   The JAVA_HOME environment variable is not defined correctly This environment variable is needed to run this program NB: JAVA_HOME shou
  • [操作系统内核]操作系统与互联网 comsci 操作系统
         我首先申明：我这里所说的问题并不是针对哪个厂商的，仅仅是描述我对操作系统技术的一些看法       操作系统是一种与硬件层关系非常密切的系统软件，按理说，这种系统软件应该是由设计CPU和硬件板卡的厂商开发的，和软件公司没有直接的关系，也就是说，操作系统应该由做硬件的厂商来设计和开发
  • 富文本框ckeditor_4.4.7 文本框的简单使用 支持IE11 cuityang 富文本框
    <html xmlns="http://www.w3.org/1999/xhtml"> <head> <meta http-equiv="Content-Type" content="text/html; charset=UTF-8" /> <title>知识库内容编辑</tit
  • Property null not found darrenzhu datagridFlexAdvancedpropery null
    When you got error message like "Property null not found ***", try to fix it by the following way: 1)if you are using AdvancedDatagrid, make sure you only update the data in the data prov
  • MySQl数据库字符串替换函数使用 dcj3sjt126com mysql函数替换
    需求：需要将数据表中一个字段的值里面的所有的  .   替换成  _   原来的数据是  site.title  site.keywords  .... 替换后要为     site_title  site_keywords   使用的SQL语句如下：   updat
  • mac上终端起动MySQL的方法 dcj3sjt126com mysqlmac
    首先去官网下载: http://www.mysql.com/downloads/ 我下载了5.6.11的dmg然后安装,安装完成之后..如果要用终端去玩SQL.那么一开始要输入很长的:/usr/local/mysql/bin/mysql 这不方便啊,好想像windows下的cmd里面一样输入mysql -uroot -p1这样...上网查了下..可以实现滴. 打开终端,输入: 1
  • Gson使用一（Gson） eksliang jsongson
    转载请出自出处：http://eksliang.iteye.com/blog/2175401 一.概述 从结构上看Json，所有的数据（data）最终都可以分解成三种类型： 第一种类型是标量（scalar），也就是一个单独的字符串（string）或数字（numbers），比如"ickes"这个字符串。 第二种类型是序列（sequence），又叫做数组（array）
  • android点滴4 gundumw100 android
    Android 47个小知识 http://www.open-open.com/lib/view/open1422676091314.html Android实用代码七段（一） http://www.cnblogs.com/over140/archive/2012/09/26/2611999.html http://www.cnblogs.com/over140/arch
  • JavaWeb之JSP基本语法 ihuning javaweb
      目录   JSP模版元素  JSP表达式  JSP脚本片断  EL表达式  JSP注释  特殊字符序列的转义处理  如何查找JSP页面中的错误   JSP模版元素    JSP页面中的静态HTML内容称之为JSP模版元素，在静态的HTML内容之中可以嵌套JSP
  • App Extension编程指南（iOS8/OS X v10.10）中文版 啸笑天 ext
             当iOS 8.0和OS X v10.10发布后，一个全新的概念出现在我们眼前，那就是应用扩展。顾名思义，应用扩展允许开发者扩展应用的自定义功能和内容，能够让用户在使用其他app时使用该项功能。你可以开发一个应用扩展来执行某些特定的任务，用户使用该扩展后就可以在多个上下文环境中执行该任务。比如说，你提供了一个能让用户把内容分
  • SQLServer实现无限级树结构 macroli oraclesqlSQL Server
    表结构如下： 数据库id path titlesort 排序 1 0 首页 0 2 0,1 新闻 1 3 0,2 JAVA 2 4 0,3 JSP 3 5 0,2,3 业界动态 2 6 0,2,3 国内新闻 1 创建一个存储过程来实现，如果要在页面上使用可以设置一个返回变量将至传过去   create procedure test as begin decla
  • Css居中div，Css居中img，Css居中文本，Css垂直居中div qiaolevip 众观千象学习永无止境每天进步一点点css
    /**********Css居中Div**********/ div.center { width: 100px; margin: 0 auto; } /**********Css居中img**********/ img.center { display: block; margin-left: auto; margin-right: auto; }
  • Oracle 常用操作(实用) 吃猫的鱼 oracle
    SQL>select text from all_source where owner=user and name=upper('&plsql_name');  SQL>select * from user_ind_columns where index_name=upper('&index_name');  将表记录恢复到指定时间段以前
  • iOS中使用RSA对数据进行加密解密 witcheryne iosrsaiPhoneobjective c
      RSA算法是一种非对称加密算法,常被用于加密数据传输.如果配合上数字摘要算法, 也可以用于文件签名. 本文将讨论如何在iOS中使用RSA传输加密数据. 本文环境 mac os  openssl-1.0.1j, openssl需要使用1.x版本, 推荐使用[homebrew](http://brew.sh/)安装. Java 8 RSA基本原理 RS
按字母分类： ABCDEFGHIJKLMNOPQRSTUVWXYZ其他