【课程笔记】

acwing算法提高课程笔记---数字三角形模型，最长上升子序列模型

写在前面：本博客为课程笔记，课程为https://www.acwing.com的算法提高课。数字三角形模型1015摘花生/*HelloKitty想摘点花生送给她喜欢的米老鼠。
pku_yw·2020-08-16 18:40

百度强化学习7日课程笔记

百度强化学习7日打卡营课程笔记上周参加了百度的强化学习7日打卡营，科老师的讲解非常有条理，且将代码与知识点结合起来，使得不擅长公式推导的小白得以了解强化学习领域的入门知识以及百度的PaddlePaddle
_袁圈圈_·2020-08-16 16:26

gitchat训练营15天共度深度学习入门课程笔记(七)

第5章误差反向传播法5.1计算图5.1.1用计算图求解5.1.2局部计算5.1.3为何用计算图解题5.2链式法则5.2.1计算图的反向传播5.2.2什么是链式法则5.2.3链式法则和计算图5.3反向传播5.3.1加法节点的反向传播5.3.2乘法节点的反向传播5.3.3苹果的例子5.1计算图高效计算权重参数的方法：误差反向传播法误差反向传播法的两种表示方法：数学式和计算图5.1.1用计算图求解问题1
weixin_43114885·2020-08-16 16:45

David Siver强化学习课程笔记（八）（上）

第八课（上）：学习与规划的结合我们在《第一课：强化学习简介》中聊到过学习与规划的概念，它们的本质区别是：“学习”时，智能体并未对环境进行建模，因此只能与实际环境交互，从而在trial-and-error中学习；而“规划”时，智能体在自己的脑海中对环境构建了一个模型（虽然不一定准确），然后自己与这个模型进行交互，在该模型中进行推演，从而对策略进行改进。这两种方法各有利弊：“学习”方法是model-f
微丶念（小矿工）·2020-08-16 15:14

内容匹配广告投放技术2：网盟广告匹配（一）（百度文库课程）

该文是百度文库课程《计算广告学之内容匹配广告&展示广告原理、技术和实践》的课程笔记，感谢百度！
leifenglian·2020-08-16 15:26

SQL注入之MySQL注入的学习笔记(一)

本课程笔记均来自于Y4er文章目录MySQL的数据库结构注入的产生MySQL5注入的一般流程MySQL的数据库结构注入的产生id变量通过get方式获取并且直接拼接到SQL语句中，而id参数用户可控，造成注入
Y4tacker·2020-08-16 14:36

学习笔记 | Apollo Udacity自动驾驶课程笔记——规划、控制

点击上方“AI算法修炼营”，选择加星标或“置顶”标题以下，全是干货这是学习笔记的最后一篇，感兴趣的可以关注之前的系列文章：一、高精度地图、厘米级定位、二：感知、预测5规划1、路径规划使用三个输入，第一个输入为地图，Apollo提供的地图数据包括公路网和实时交通信息。第二个输入为我们当前在地图上的位置。第三个输入为我们的目的地，目的地取决于车辆中的乘客。2、将地图转为图形该图形由“节点”(node)
AI算法修炼营·2020-08-16 14:11

Udacity机器人软件工程师课程笔记（三十六) - GraphSLAM

一、引入GraphSLAM是解决完整的slam问题的slam算法。这意味着该算法将恢复整个路径和地图，而不仅仅是最近的姿势和地图。这种差异使它可以考虑当前姿势与先前姿势之间的依赖性。适用于我们的GraphSLAM的一个示例是地下采矿。每天都用在钻孔机上的大型机器在岩壁上切割。环境瞬息万变，保持正确的工作空间图非常重要。映射此空间的一种方法是在周围环境中驾驶装有激光雷达的车辆并收集有关周围环境的数据
Stan Fu·2020-08-16 14:40

斯坦福CS231n课程笔记纯干货1

CS231n的全称是CS231n:ConvolutionalNeuralNetworksforVisualRecognition，即面向视觉识别的卷积神经网络。该课程是斯坦福大学计算机视觉实验室推出的课程。目前大家说CS231n，大都指的是2016年冬季学期（一月到三月）的版本。1.分类器中L1和L2比较。在面对两个向量之间的差异时，L2比L1更加不能容忍这些差异，相对于1个巨大的差异，L2距离更
marsjhao·2020-08-16 13:08

CS231n Spring 2019 Assignment 1—KNN

下面是一些课程的官方链接：网页说明课程主页这个网页上还有2015到2018的过去几年的课程链接课程笔记有三次作业链接和三个模块的笔记、教程详细的教学大纲有对应视频课程的slides，拓展阅读，也包含笔记当然这么好的课程国内肯定会有翻译的
laizi_laizi·2020-08-16 13:21

2019/6/8CS231n课程笔记（批量归一化、监控训练过程、优化超参数）

目录批量归一化监控训练过程优化超参数批量归一化在训练过程中，每一层的输入分布总是变来变去，我们希望它能稳定成高斯分布，所以在全连接层或是卷积层之后进行批量归一化的操作，使得每一层的激活分布固定下来。首先计算每一维度的均值和方差，之后进行归一化。在卷积层后面进行批量归一化的时候，不仅对训练数据进行批量归一化，对featuremap也将进行这一操作。对于tanh这种激活函数，我们需要控制饱和的程度，不
荣荣闲不住·2020-08-16 12:34

2019/6/3CS231n课程笔记（卷积神经网络）

卷积1、卷积神经网络vs深度神经网络训练卷积层，因为卷积层更能保持输入的空间结构。对于这一点，我的理解是：卷积神经网络处理图片的时候是将整幅图都作为输入，不会破坏图的这种结构，而用普通的深层神经网络，就是在利用每个像素的信息单独的进行处理，破坏了图像像素之间的信息。深度神经网络卷积神经网络2、对于常见大小的一些卷积核，如何选择padding才能保证卷积的结果保持原图像的大小不变呢？3*3的卷积核，
荣荣闲不住·2020-08-16 12:34

2019/6/8CS231n课程笔记（优化与迁移学习）

目录优化1、梯度下降（1）、动量，就给梯度下降加了个速度（助力）（2）、对梯度进行处理：AdaGrad和RMSProp（3）、结合了速度和平方梯度的方法Adam2、学习率3、另一种优化的思路：海森矩阵（牛顿定理）总结：4、modelensembly正则化1、使用正则项2、Dropout3、数据增强4、其他的一些方法：迁移学习优化1、梯度下降局部最小值和鞍点：局部最小值是在某一区域内出现的梯度最小值
荣荣闲不住·2020-08-16 12:34

2019/6/2CS231n课程笔记(损失函数和优化)

损失函数线性分类器，weight表示对应每一类的权重。什么是损失函数，把W作为一个输入，输入到一个函数中，将得分值作为衡量W好坏的标准。多类别SVM分类器看笔记本23页有相关笔记。1、如果我们稍微改变一点车这个分类的score值，我们的损失函数会有什么变化吗？答：不会变化，svm分类器在乎的是正确的比不正确的大1，汽车分数比其他的都要大，1的界限不会被破坏。2、loss的最大最小值是多少？答：最小
荣荣闲不住·2020-08-16 12:34

2019/6/1CS231n课程笔记(线性分类器)

作业：k-最近邻法线性分类器，svm和softmax两层卷积神经网络numpy，向量化张量计算。第二章semecticgapintraclassCIFAR10数据集。对单个像素进行比较，L1distance，L1对坐标有依赖，各个向量中的每一个元素都有意义的时候，L1的效果会更好。使用numpy的向量运算。使得程序很简洁。N个example，训练和预测的时候的时间复杂度分别为1和n，训练时只进行存
荣荣闲不住·2020-08-16 12:32

深度学习课程笔记（十二） Matrix Capsule

深度学习课程笔记（十二）MatrixCapsulewithEMRouting2018-02-0221:21:09Paper:https://openreview.net/pdf/99b7cb0c78706ad8e91c13a2242bb15b7de325ad.pdfBlog
a1424262219·2020-08-16 11:56

深度学习课程笔记（五）Ensemble

深度学习课程笔记（五）Ensemble2017.10.06材料来自：首先提到的是Bagging的方法：我们可以利用这里的Bagging的方法，结合多个强分类器，来提升总的结果。
a1424262219·2020-08-16 11:56

深度学习课程笔记（十七）Meta-learning (Model Agnostic Meta Learning)

深度学习课程笔记（十七）Meta-learning(ModelAgnosticMetaLearning)2018-08-0912:21:33Thevideotutorialcanbefoundfrom:
a1424262219·2020-08-16 11:25

Udacity无人驾驶课程笔记：高精度地图

高精地图包含大量的驾驶辅助信息，最重要的信息是道路网的精确三维表征，例如交叉路口布局和路标位置。还包含许多的语义信息，地图可能会报告交通灯上不同颜色的含义，它也可能指示道路的速度限制以及左转车道的位置。高精地图最重要的特征之一是精度，高精地图可以使车辆达到厘米级精度，对确保无人驾驶车辆的安全性至关重要。地图与定位、感知与规划的关系定位车辆自定位依赖于地图，首先车辆可能会寻找坐标，可以通过各类传感器
Mr-Xavier·2020-08-16 11:55

David Silver强化学习课程笔记（八）（下）

第八课（下）：基于Simulation的搜索方法在《第八课（上）：学习与规划的结合》中，我们讲到了Model-BasedRL方法，在该方法中，我们首先拟合得到一个模型，然后可以利用各种规划方法进行规划，或者，可以引申出Sample-BasedPlanning，也即我们并不是去采用贝尔曼方程计算，而是用模型进行采样，然后利用Model-Free方法进行学习。本文中要讲的Simulation-Base
微丶念（小矿工）·2020-08-16 11:06

MOOC 北京大学 《人工智能实践》 课程笔记（文末有全部代码）

MOOC《人工智能实践》PekingUniversity笔记参考资料：https://www.icourse163.org/learn/PKU-1002536002?tid=1002700003#/learn/announcehttps://github.com/cj0012/AI-Practice-Tensorflow-Noteshttps://tensorflow.google.cn/    
三丫丫哦·2020-08-16 11:06

Udacity无人驾驶课程笔记：控制

控制流程控制器预计有两种输入：目标轨迹和车辆状态。控制器输出：控制出入（转向、加速和制动）的值。PID控制优点：使用简单，大多数情况下适用。缺点：对于复杂的系统不适用，PID控制器依赖于实时误差测量，这意味着测量延迟限制时可能会失效。线性二次调节器（LQR）线性二次调节器（LQR）是基于模型的控制器，使用车辆状态来使误差最小化，Apollo使用LQR进行横向控制。横向控制包含四个组件：横向误差、横
Mr-Xavier·2020-08-16 10:44

baidu实践课程笔记二20200813

文章目录实践课程（二）第三节Apollo软件部署实操第四节定位模块配置卫星定位基本原理如何进行定位配置实践课程（二）第三节Apollo软件部署实操工控机软件安装顺序计算机操作系统软件Ubuntu操作系统linux4.4内核apollo1.5.5内核驱动软件GPU显卡驱动ESD-CAN卡驱动或SocketCAN卡驱动应用软件docker软件安装在docker的官网上下载deb安装包双击deb安装包，
weixin_44952783·2020-08-16 10:51

baidu实践课程笔记一20200812

文章目录实践课程（一）导论Apollo自动驾驶实践课程导论第一节Apollo硬件连接集成--硬件介绍Apollo推荐硬件平台及车辆认证平台Apollo开发套件硬件组成及原理第二节Apollo硬件连接集成--集成实操CAN卡的安装和要求工控机的安装要求导航设备的安装要求路由器显示器的安装连接通信接口实践课程（一）导论Apollo自动驾驶实践课程导论基于Apollo开发套件搭建循迹自动驾驶系统，需要解
weixin_44952783·2020-08-16 10:51

baidu实践课程笔记（三）

文章目录实践课程（三）第五节车辆动力学标定标定的目的和基本原理标定的操作方法步骤第六节启动车辆循迹循迹原理介绍循迹实践实操的演练实践课程（三）第五节车辆动力学标定标定的目的和基本原理加速度与油门刹车的关系踩油门完成正值加速度踩刹车完成负值加速度标定表提供一个描述车辆速度、油门/刹车踏板开合度、加速度量之间关系的映射表人开车判断依据自己的普安段和预估踩刹车和油门Apollo如何获取车辆信息？通过传感
weixin_44952783·2020-08-16 10:57

关于TensorFlow中tfrecords文件的的简易教程

本文属于课程笔记，源自曹健老师的”人工智能实践：Tensorflow笔记”（侵删）：https://www.icourse163.org/learn/PKU-1002536002#/learn/announcetfrecords
安mu牧·2020-08-16 09:10

李宏毅机器学习课程笔记（1）: 机器学习概述

（1950年提出）人工智能是我们希望达成的目标，希望机器可以和人一样智能，而机器学习是实现人工智能的一种方式，而深度学习是机器学习中的一种方式，深度学习主要指的是基于机器学习中神经网络的各种模型。下面介绍几种为了实现人工智能的方式：hand-craftedrules人工智能：早期的人工智能，其本质就是通过许多if判断语句去实现，通俗的讲就是用大量的判断语句，如果接收到一些信号，就做出相应的指令。这
wasser000·2020-08-16 08:22

Tensorflow BatchNormalization详解：4_使用tf.nn.batch_normalization函数实现Batch Normalization操作

使用tf.nn.batch_normalization函数实现BatchNormalization操作觉得有用的话,欢迎一起讨论相互学习~参考文献吴恩达deeplearningai课程课程笔记Udacity
武科大许志伟·2020-08-16 08:33

李宏毅《机器学习》课程笔记（作业十：异常侦测）

我们在test的时候，让机器自动的知道这个东西跟训练集里的数据是类似的还是不类似的。我们无法把异常的资料视为一个类别，因为异常的东西类型太多了，而且异常的资料太难收集到了。可以在输出类别的时候同时输出一个信心分数，如果高于一个信心分数，就可以判断是正常的数据。可以用分类时分布中最大的那个值直接作为信心分数。或者可以用墒。虽然很简单，但是往往不弱。也可以直接输出一个信心分数，可以参考文献。在异常侦测
逝水留痕9611·2020-08-16 08:19

李宏毅《机器学习》课程笔记（作业九：无监督学习）

Kmeans方法，先初始化K个中心，每次都把每个元素归类到最近的类，再更新中心，再更新分类。HAC的方法，有点类似，把最近的pair取平均作为新的data，然后搞成一个树，再在树上切一刀来分类，好处是不需要先决定K。PCA有了新的的理解，其实是贪心地找使得variance最大的那个w，之后通过这些w的线性组合就可以了。PCA也是个降维的方法，他能够使得复原出的向量跟输入的向量最接近。其实相当于一个
逝水留痕9611·2020-08-16 08:19

李宏毅《机器学习》课程笔记（作业十一：GAN）

GAN包含辨别器和生成器，是一个对抗的关系，用adversarial。是无监督的学习方式。可以将其看成老师和学生的关系。注意辨别器和生成器是轮流训练的，输入是一个随机的向量，最后的输出是一个标量。训练一个的时候把另外一个固定住不更新梯度值。对于辨别器，优化目标是两个部分，使得真实图像得分高而生成的图像得分低。结构化学习，输出不再是一个简单的向量，而是一个句子，一张图片或者一棵树等等。One-sho
逝水留痕9611·2020-08-16 08:19

李宏毅《机器学习》课程笔记（作业七：模型压缩）

有多种模型压缩的方法。第一个是网络剪枝，因为神经网络往往是过度参数化，所以删掉一部分网络参数。先训练好一个大的神经网络，然后评估每个参数是否重要，评估方法其实就是看是否接近0。然后把不重要的东西移除。用新的网络重新训练一下，update一下参数，可以把损伤移除。注意一次不删掉很多，怕恢复不回来，所以迭代地删除参数。那么为什么不直接训练一个小的神经网络呢？因为小的神经网络比较难训练。大的NN比较好优
逝水留痕9611·2020-08-16 08:18

CS231n作业笔记2.1：两层全连接神经网络的分层实现

CS231n简介详见CS231n课程笔记1：Introduction。本文都是作者自己的思考，正确性未经过验证，欢迎指教。作业笔记1.神经网络的分层实现实现全连接层+ReLU层的前向传播与后向传播。
silent56_th·2020-08-16 08:47

(斯坦福机器学习课程笔记)混合高斯模型，朴素贝叶斯，混合朴素贝叶斯模型，因子分析

==============================混合高斯模型==========================混合高斯模型是一个无监督的聚类算法，他认为各个类别的样本都分别服从高斯分布。因此隐变量依然为zji，模型的参数有μ,ϕ,σ，其中σ是协方差矩阵。那么引入EM算法，得到E步骤：Qi(zji)=P(zji|xi;ϕ,σ,μ)=P(xi|zji;μ,σ)P(zji;ϕ)∑kj=1P
万德1010·2020-08-16 07:55

Andrew Ng机器学习课程笔记（十五）之无监督学习之混合贝叶斯模型与EM算法

文章目录@[toc]PrefaceMixtureofNaiveBayesModelEMAlgorithmforNBMMEMAlgorithmforNBMMPrefaceMixtureofNaiveBayesModel（NBMM，混合朴素贝叶斯模型）EMAlgorithmforNBMMBernoulliMixtureofNaiveBayesModelNBMM是对朴素贝叶斯（NaiveBayes，NB
danerer·2020-08-16 06:45

李宏毅《机器学习》课程笔记（作业五：可解释的人工智能）

可解释的人工智能有两种方案，一种是局部的可解释性，一种是全局的。局部的方案的一种想法，把一个图片用灰色的方块蒙上一块，看是否还能识别出来，这个时候要注意方块的大小甚至颜色都可能有影响。另一个想法是，把一个输入feature做。一点点小的调整，看输出数据的变化大小，据此来判断什么输入feature比较重要，其实就是偏微分。这样可能出现饱和的问题，大象鼻子的问题，可能发现不了重要的feature。这两
逝水留痕9611·2020-08-16 05:20

密度估计理论（部分）

课程笔记：1、密度估计考虑任何随机数量X有概率密度函数f,我们用以下公式计算其概率密度:假设我们有一组来自未知密度函数的观察到的数据点，我们的目标是从观测到的数据估计他们的估算密度函数。
gagajian·2020-08-16 01:00

c++面向对象程序设计课程笔记（简单易于理解）

目录第一章1.概念性的名词：第二章2.1命名空间2.2define和const的差异2.3函数原型c与c++的区别2.4基本数据类型c++中的bool类型运算优先级、类型转换2.5引用2.6内联函数2.7带默认参数值的函数默认参数值设定默认参数值的说明次序默认参数值与函数的调用位置2.8函数重载函数重载的概念2.9new和delete动态分配内存空间分配和释放动态数组new,delete和mall
victory_泡泡·2020-08-16 01:43

acwing算法提高课程笔记—数字三角形模型，最长上升子序列模型

转自自网络，仅作为学习使用1015摘花生/*HelloKitty想摘点花生送给她喜欢的米老鼠。她来到一片有网格状道路的矩形花生地(如下图)，从西北角进去，东南角出来。地里每个道路的交叉点上都有种着一株花生苗，上面有若干颗花生，经过一株花生苗就能摘走该它上面所有的花生。HelloKitty只能向东或向南走，不能向西或向北走。问HelloKitty最多能够摘到多少颗花生。1.gif输入格式第一行是一个
RioTian·2020-08-15 13:00

UIViewController和UIView的关系

视频为：传智播客2014年第四期3-6月份(MJ老师的视频)–第一天课程笔记内容：每当显示一个新界面时，首先会创建一个新的UIViewController对象，然后创建一个对应的全屏UIView，UIViewConroller
碎语1992·2020-08-15 00:52

课程笔记-001（代码规范、解释器、输出、输入）

目录Python编码规范一、代码编排二、文档编排三、空格的使用四、注释Python简介Python解释器命令行交互模式文本编辑器输出输入Python编码规范一、代码编排1缩进。4个空格的缩进（编辑器都可以完成此功能），不要使用Tab，更不能混合使用Tab和空格。2每行最大长度79，换行可以使用反斜杠，最好使用圆括号。换行点要在操作符的后边敲回车。3类和top-level函数定义之间空两行；类中的方
青风learing·2020-08-14 21:27

springCloud(慕课廖师兄课程笔记）

2-1微服务和其他常见架构1.https://martinfowler.com/articles/micrservices.html2.微服务是一种架构风格，由一系列微小的服务共同组成，跑在自己的进程里，每个服务为独立的业务开发，独立部署，有分布式的管理3.单体架构的缺点：开发效率低，代码维护难，部署不灵活，稳定性不高，扩展性不够4.分布式的定义：旨在支持应用程序和服务的开发，可以利用物理架构由多
逮到一只小猪猪·2020-08-14 19:43

Python学习 标准库及其使用说明

标准库及其使用说明更新时间：2019·04·01更新内容：课程笔记：time库、random库、turtle库标准库Python计算生态由标准库和第三方库构成。
渡己·2020-08-14 18:50

台大李宏毅课程笔记5——Logistic Regression （逻辑回归）

台大李宏毅课程笔记4内容提要模型建立逻辑回归和线性回归对比CrossEntropy（交叉熵）与SquareError（均方差对比）描述分类与生成分类生成分类优势多分类多层嵌套按照惯例先放课程视频连接：https
子涣_new·2020-08-14 16:41

课程笔记--005（函数调用）

调用函数（结构化，参数化编程）内建Built-in函数一、数学运算类二、集合类操作三、逻辑判断四、反射五、IO操作六、其他非内建模块函数导入模块方法法一：将整个文件引入法二：只引入某个文件中一个类/函数/变量Python数学函数内联函数1.lambda函数2.zip3.filter4.map定义函数Python中，函数的应用非常广泛，前面章节中我们已经接触过多个函数，比如input()、print
青风learing·2020-08-14 15:20

课程笔记--004（程序控制、分支结构、for in、循环嵌套）

目录一、程序控制分支结构条件判断单分支双分支多分支range()函数for...in循环循环嵌套continue语句while循环break语句一、程序控制流程控制是指在程序运行时，对指令运行顺序的控制。通常，程序流程结构分为三种：顺序结构、分支结构和循环结构。顺序结构是程序中最常见的流程结构，按照程序中语句的先后顺序，自上而下依次执行，称为顺序结构；分支结构则根据if条件的真假（True或者Fa
青风learing·2020-08-14 15:20

课程笔记--002（数据类型、命名规则、运算、字符）

目录一、数据类型整数布尔值浮点数复数型（Complex）字符串空值二、数据类型的转换三、变量命名规则四、运算算术运算赋值运算逻辑运算成员运算身份运算Python运算符优先级五、字符字符串和编码字符串的长度字符串的连接字符串的包含判断格式化（占位符/格式化输出）一、数据类型Python3中有六个标准的数据类型：●Numbers（数字类型）●Strings（字符串类型）●Lists（列表类型）●Tup
青风learing·2020-08-14 15:20

课程笔记--006（IO操作、模块） 20200320

IO编程及模块一、IO编程文件读写打开文件读文件写文件with语句注：二、模块模块的分类系统模块（Python官方提供的、内置的模块）第三方模块自定义的模块模块的导入查看模块内置模块os模块sys模块time&datetime模块random模块math模块模块的定义一、IO编程IO在计算机中指Input/Output，也就是输入和输出。由于程序和运行时数据是在内存中驻留，由CPU这个超快的计算核
青风learing·2020-08-14 15:49

课程笔记--003（列表、元组、字典、集合）

目录一、列表创建列表使用列表删除列表元素列表内置函数与其他方法序列的通用操作和函数列表的专用操作和函数二、元组创建元组使用元组删除元组元组的内置函数三、字典创建字典使用字典删除字典的内置函数和方法四、集合创建集合使用集合集合运算集合的方法一、列表Python内置的一种数据类型是列表：list。列表（Lists）属于Python中的序列类型，它是任意对象的有序集合，通过“位置”或者“索引”访问其中的
青风learing·2020-08-14 15:48

计算机系统课程 笔记总结 CSAPP第四章 处理器体系结构（4.1-4.3）

GitHub计算机系统CSAPP课程资源计算机系统课程笔记总结CSAPP第二章信息的表示和处理（2.1-2.2）计算机系统课程笔记总结CSAPP第二章信息的表示和处理（2.3-2.4）计算机系统课程笔记总结
頔潇·2020-08-14 10:07
上一页 48 49 50 51 52 53 54 55 下一页
按字母分类： ABCDEFGHIJKLMNOPQRSTUVWXYZ其他