Android基础知识学习系列第4页

算法学习系列（十八）：字符串哈希

目录引言一、字符串哈希概念二、代码实现引言这个字符串哈希还是比较厉害的啊，只要是有关字符串的题目，这个字符串哈希都是可以轻松水过，所以说这个还是得好好掌握啊，话不多说，直接开始。一、字符串哈希概念这个字符串哈希就是将一个字符串转换为一个p进制的数，然后将这个p进制的数转换为十进制modQ，然后就可以比较这个数，来判断这两个字符串是否相等。这个p一般取131或者13331，Q一般取2^64，在这种情

lijiachang030718·2024-01-13 20:46

算法学习系列（十九）：DFS、BFS

目录引言一、DFS1.排列数字2.n-皇后问题二、BFS1.走迷宫2.八数码问题引言关于这个DFS与BFS的问题非常的常见，其实这两个就是搜索的方式不一样而已，核心思想非常容易懂，题目的话也是做一道记一道，还是要针对题来看，话不多说直接开始吧。一、DFSDFS：深度优先搜索，就是先一直遍历到底部，然后再回退上来，对应的数据结构是栈，大部分是拿递归做的1.排列数字给定一个整数n，将数字1∼n排成一排

lijiachang030718·2024-01-13 20:46

算法学习系列（十七）：哈希表

目录引言一、哈希表概念二、代码实现1.开放寻址法2.拉链法引言这个哈希还是很重要的一个概念，我觉得本质上就是一个映射，然后只要你以后干计算机，这个概念都是非常常见并重要的一个概念，之前搞得离散化其实就是哈希表的一种，所以得好好学并且理解啊，那就开始吧。一、哈希表概念为什么要用哈希表：主要是快，时间复杂度为O(1)，这个哈希表的主要功能就是查找一个数，看这个数在不在当前的集合里，所要的操作就是插入和

lijiachang030718·2024-01-13 20:16

算法学习系列（二十）：树与图的DFS与BFS

目录引言一、图的存储1.邻接矩阵2.邻接表二、图的DFS1.模板2.例题：树的重心三、图的BFS1.模板2.例题：图中点的层次引言关于这个树与图考察的还是比较多的，其实就是图，树就是一种特殊的图，树是一种无环无向图，关于图本文主要介绍图的存储方式以及他们的DFS与BFS模板怎么写，并且介绍了相应的例题。一、图的存储稠密图用邻接矩阵（n^2==m），稀疏图用邻接表(n==m)。1.邻接矩阵邻接矩阵就

lijiachang030718·2024-01-13 20:43

spring 5.0.x源码学习系列五: AnnotationConfigApplicationContext类refresh方法之invokeBeanFactoryPostProcessor(一)

前言上篇博客spring5.0.x源码学习系列四:AnnotationConfigApplicationContext类register方法作用主要介绍了register方法的作用。

avengerEug·2024-01-13 12:45

十三项教练工具打卡学习系列之九宫格

三点收获：1、优秀的管理者管事情，理人心，管事情有原则，不同的管理行为会带来不同的结果和职业生涯。2、九宫格就是GPS导航仪，去哪儿，在哪儿，三个路径选择。3、九宫格：帮助解决厘清和确定目标，正向、可控（不说你不要，说你想要）、Smart、系统平衡你好我也好；现状和问题，对话要有敏感度，找到最有价值的目标，在现状和问题阶段帮助被教练者看到真相，发生了什么？复述在目标实现过程中你遇到的问题和困难是什

wangzi04·2024-01-13 06:06

Pyhton基础学习系列15——面向对象编程

文章目录一、面向对象编程二、如何定义类和创建对象1.类2.对象3.初始化方法三、面向对象编程中三种不同类型的方法1.对象方法（实例方法）2.类方法3.静态方法4.三种方法的用法四、面向对象的三大支柱1.封装（Encapsulation）2.继承（Inheritance）和重写（override）3.多态（Polymorphism）4.例子总结一、面向对象编程面向对象编程（Object-Orient

是靖不是静·2024-01-13 04:01

Pyhton基础学习系列11——字典

文章目录一、认识字典二、字典的使用方法1.字典的增删改查1.查-获取字典的值2.增和改3.删-删除键值对三、字典相关操作、函数、方法1.字典的相关操作1.in和notin-判断字典中是否存在指定的键2.字典的函数操作1.len(字典)-统计字典中键值对的个数2.dict(数据)-将指定的数据转换成字典3.字典的操作方法1.复制字典2.获取字典所有的键，返回一个新的容器3.获取字典所有的值，返回一个

是靖不是静·2024-01-13 04:30

Pyhton基础学习系列9——列表

文章目录一、认识列表二、列表的特点以及使用方法1.列表中的元素可以为不同类型的数据2.列表是可变的（列表支持增删改查）1.查-获取列表中的元素的值2.增-往列表中添加元素3.删-删除列表中的某一个元素4.改-修改列表中元素为指定的值三、列表的切片操作1.切片的完整写法2.切片的省略写法四、列表的遍历1.直接遍历2.下标遍历3.enumerate五、列表的相关操作1.列表支持+、*操作2.列表支持比

是靖不是静·2024-01-13 04:00

Pyhton基础学习系列14——函数

文章目录一、函数的定义二、函数的分类1.系统函数2.标准库函数和第三方库函数3.自定义函数三、函数的使用1.基本语法2.函数使用案例和说明文档1.函数的说明文档2.输入两个正整数，计算它们的最大公约数和最小公倍数3.from和import的区别4.return和print的使用四、函数的参数1.形参和实参的区别2.位置参数和关键字参数1.位置参数2.关键字参数3.位置参数和关键字参数混用3.参数默

是靖不是静·2024-01-13 04:56

机器学习系列--R语言随机森林进行生存分析（2）

随机森林（Breiman2001a）（RF）是一种非参数统计方法，需要没有关于响应的协变关系的分布假设。RF是一种强大的、非线性的技术，通过拟合一组树来稳定预测精度模型估计。随机生存森林（RSF）（Ishwaran和Kogalur，2007；Ishwaraan，Kogalur、Blackstone和Lauer（2008）是Breimans射频技术的延伸从而降低了对时间到事件数据的有效非参数分析。接

天桥下的卖艺者·2024-01-13 03:55

Java学习——字节流操作文件

系列文章目录这里是Java学习系列课程，点击进入http://t.csdnimg.cn/Xtkz9欢迎大家一起来学习！目录系列文章目录一、字节流是什么？

m0_7Ella·2024-01-12 16:06

Android 样式小结

Android西红柿·2024-01-12 10:41

Odrive 学习系列一：vscode 编译Odrive

搭建环境可参考Markerbase教程，很详细了。简单说一两点：解压ODrive-fw-v0.5.1.zip：打开ODrive-fw-v0.5.1文件夹，找到Firmware文件夹，用vscode打开该文件夹：按照以下内容操作：编译工程：打开中断(terminal)，输入make-j4回车进行编译。编译成功后如下：注意：在编译前Firmware文件夹下没有build文件夹。在编译成功后将会生成bu

嘉禾天成·2024-01-12 07:17

C#学习系列之MVVM模型

C#学习系列之MVVM模型文章目录C#学习系列之MVVM模型啰嗦MVVM是什么？MVCMVVMMVC与MVVM区别总结啰嗦需要深入了解C#/WPF相关的内容，那么大家常说的MVVM时什么？

arriettyandray·2024-01-11 17:30

Linux内核学习系列（1）——系统调用

前言由于工作需要，个人从java栈转为了c语言栈，并需要深入学习linux内核。本系列记录一些个人学习笔记。由于Linux内核涉及内容以及知识点很多，一开始接触十分痛苦，通过反复阅读《Linux内核完全注释》一书才逐渐能够看懂源码。在理解的过程中，个人发现自上而下地探索内核，才是最适合自己的学习内核的方式。因此，本系列主要从自上而下的角度，进行笔记记录。整个系列配图及概念描述将直接引用《Linux

DaHuangXiao·2024-01-11 02:10

Kotlin学习系列之：使用async和await实现协程高效并发

引例：privatesuspendfunintValue1():Int{delay(1000)return1}privatesuspendfunintValue2():Int{delay(2000)return2}funmain()=runBlocking{valelapsedTime=measureTimeMillis{valvalue1=intValue1()valvalue2=intValu

xlh1191860939·2024-01-10 02:04

GO语言学习系列九——GO的结构（struct）与方法（method）

结构（struct）由于在GO中没有class的关键字，也就是其它语言经常在面向对象中使用的方面，但GO是通过struct结构与method方法组合来实现的面向对象概率，所以在GO中，结构是非常重要的一种语法类型在定义结构体时，和map等语言类型非常像似var结构变量struct{字段1字段1类型字段2字段2类型...}一个例子，简单介绍写定义与使用结构packagemainimport("fmt

astarblog·2024-01-09 08:20

【Spring Boot 源码学习】SpringApplication 的定制化介绍

SpringBoot源码学习系列SpringApplication的定制化介绍一、引言二、往期内容三、主要内容1.基础配置1.1设置关闭Banner1.2设置自定义Banner打印对象1.3设置应用程序主入口类

Huazie·2024-01-08 11:07

C++ 学习系列 -- tuple 原理

一可变参数模板variadictemplate前面的章节C++学习系列--模板template-CSDN博客我们介绍了c++中的模板概念，本章则在其基础上介绍了新的概念可变参数模板variadictemplate

在河之洲木水·2024-01-08 05:10

Kotlin学习系列——集合详解(一)

概述集合类存放的都是对象的引用，而非对象本身，出于表达上的便利，我们称集合中的对象就是指集合中对象的引用。集合的分类：Set（集）List（列表）Map（映射）在Kotlin中，明确的区分了可变和只读的集合(list,set,map等)，明确的确定了集合的可读性，有助于良好的编码，以及便于Bug的规避。IterableIterable接口是最基本的接口，声明了Kotlin中集合的通用方法。funi

xk_一步一步来·2024-01-07 18:11

机器学习系列 - 9. 主成分分析法 PCA

1.主成分分析法思想及原理1.1什么是主成分分析法PCA(PrincipalComponentAnalysis)，即主成分分析方法，是一种使用最广泛的数据降维算法（非监督的机器学习方法）。其最主要的用途在于“降维”，通过析取主成分显出的最大的个别差异，发现更便于人类理解的特征。也可以用来削减回归分析和聚类分析中变量的数目。1.2为什么要做主成分分析在很多场景中需要对多变量数据进行观测，在一定程度上

小蘑菇1962·2024-01-07 07:20

rabbitMQ 高级整合应用第四篇消息监听适配器

RabbitMQ学习系列第二十二篇高级整合第四篇MessageListenerAdapterMessageListenerAdaoter:即消息监听适配器。

凯哥Java·2024-01-06 17:46

Java | 学习系列 Java1.8 新特性详解( 包含学习代码 )

前言：Java8已经发布很久了，很多报道表明Java8是一次重大的版本升级。在JavaCodeGeeks上已经有很多介绍Java8新特性的文章，例如PlayingwithJava8–LambdasandConcurrency、Java8DateTimeAPITutorial:LocalDateTime和AbstractClassVersusInterfaceintheJDK8Era。本文还参考了一

天上的小仙女呀·2024-01-06 07:44

李沐机器学习系列5---循环神经网络

1Introduction对于样本的分析，通过全连接层处理表格数据，通过卷积神经网络处理图像数据；第一种假设，所有数据都是独立同分布的RNN处理序列信号序列数据的更多场景1）用户使用习惯具有时间的先后性2）外推法和内插法1.1自回归模型1）自回归模型，对自己执行回归2）隐变量的自回归模型生成训练数据，1.2马尔科夫模型一个模型被称为马尔可夫模型，主要是因为它满足马尔可夫性质，也就是说，该模型中的未

expectmorata·2024-01-06 07:40

【dubbo学习系列】dubbo消费端的代理生成详解(@DubboReference和@Reference)

文章目录spring中dubbo实现RPC如何加载@Reference和@DubboReference注解DubboComponentScanRegistrar概括发现@Refrence和@DubboReference注解，并编织RPC通信逻辑ReferenceAnnotationBeanPostProcessor（核心）@Reference@DubboReference@Reference和@D

唐芬奇·2024-01-06 05:52

C++ 学习系列 -- using关键字

一概述c++11中新引入了关键字using二using关键字的用处1.usingnamespace与usingnamespacemember#include#includeintmain(){usingnamespacestd;vectorvec={1,2,3};usingstd::list;listli={1,2,3};return0;}2.aliastype与aliastemplate#inc

在河之洲木水·2024-01-05 13:53

Docker网络上篇-网络介绍

本系列教程直通车直通车，本系列教程已发布文章，快速到达,《Docker学习系列》教程已经发布的内容如下：【图文教程】Windows11下安装DockerD

凯哥Java·2024-01-05 13:41

【Python机器学习系列】建立逻辑回归模型预测心脏疾病（完整实现过程）

一文彻底搞懂机器学习中的归一化与反归一化问题【Python机器学习系列】一文彻底搞懂机器学习中表格数据的输入形式（理论+源码）【Python特征工程系列】利用随机森林模型

数据杂坛·2024-01-05 12:22

【Python机器学习系列】建立支持向量机模型预测心脏疾病（完整实现过程）

一文彻底搞懂机器学习中的归一化与反归一化问题【Python机器学习系列】一文彻底搞懂机器学习中表格数据的输入形式（理论+源码）【Python特征工程系列】利用随机森林模型

数据杂坛·2024-01-05 12:47

EasyExcel学习系列笔记（1）--easyexcel 样式设置

packagecom.zjm.gwork.utils.myEasyExcel;importcom.alibaba.excel.write.metadata.style.WriteCellStyle;importcom.alibaba.excel.write.metadata.style.WriteFont;importcom.alibaba.excel.write.style.Horizontal

幸福巡礼·2024-01-05 08:14

李沐机器学习系列4---全连接层到卷积

1从全连接到卷积1.1平移不变性从概率分布的角度来看卷积的定义,f(τ)f(\tau)f(τ)是概率密度，g(t−τ)g(t-\tau)g(t−τ)是在这个分布下的均值(f∗g)(t)=∫−∞∞f(τ)g(t−τ)dτ(f*g)(t)=\int_{-\infin}^{\infin}f(\tau)g(t-\tau)d\tau(f∗g)(t)=∫−∞∞f(τ)g(t−τ)dτ2图像卷积2.1互相关运算

expectmorata·2024-01-05 08:01

李沐机器学习系列1--- 线性规划

1Introduction1.1线性回归函数典型的线性回归函数f(x)=w⃗⋅x⃗f(x)=\vec{w}\cdot\vec{x}f(x)=w⋅x现实生活中，简单的线性回归问题很少，这里有一个简单的线性回归问题。房子的价格和房子的面积以及房子的年龄假设成线性关系。price=warea∗area+wage+bprice=w_{area}*area+w_{age}+bprice=warea∗area

expectmorata·2024-01-04 12:53

李沐机器学习系列3---深度学习计算

1层和块1.1定义块用class表示层，并只需要实现构造函数和前向传播函数classMLP(nn.Module):#用模型参数声明层。这里，我们声明两个全连接的层def__init__(self):#调用MLP的父类Module的构造函数来执行必要的初始化。#这样，在类实例化时也可以指定其他函数参数，例如模型参数params（稍后将介绍）super().__init__()self.hidden=

expectmorata·2024-01-04 12:53

李沐机器学习系列2--- mlp

1IntroductionLP中有一个很强的假设，输入和输出是线性关系，这一般是不符合事实的。通过几何的方式去对信息进行理解和压缩是比较高效的，MLP可以表示成下面的形式。1.1从线性到非线性X∈Rn×dX\inR^{n\timesd}X∈Rn×d表示输入层，有n个样本，d个特征。H∈Rn×hH\inR^{n\timesh}H∈Rn×h表述隐藏层的输出，有h个输出；W(1)∈Rd×hW^{(1)}

expectmorata·2024-01-04 11:45

云原生学习系列之基础环境准备（单节点安装kubernetes）

一、环境要求操作系统CentOS7.x-86_x64硬件配置：内存2GB或2G+，CPU2核或CPU2核+，需要在虚拟机中提前设置好，不然后续会报错二、系统初始化1、设置主机名#在master节点执行hostnamectlset-hostnamemaster012、配置主机和IP映射，注意IP换成自己的cat>>/etc/hosts/etc/sysctl.d/kubernetes.conf/etc

shanshan3003·2024-01-04 07:20

云原生学习系列之基础环境准备（虚拟机搭建）

shanshan3003·2024-01-03 07:47

ChatGPT学习系列教程（一）—chatGPT简介

一、ChatGPT介绍ChatGPT是一种基于GPT（GenerativePre-trainTransformer）模型的大型语言模型，由OpenAI公司开发。它是目前世界上最先进的自然语言处理技术之一。二、ChatGPT发展历程ChatGPT是美国人工智能研究实验室OpenAI在2023年11月30日推出的一款人工智能技术驱动的语言模型应用。以下是ChatGPT的发展历程：三、ChatGPT的主

huazi99·2024-01-03 01:23

gradle

Gradle学习系列之一——Gradle快速入门-无知者云-博客园Gradle学习总结——根本上看透AndroidStudio构建-

味123·2024-01-02 01:34

VUE3.0学习系列随笔（五）：自定义组件使用

VUE3.0学习系列随笔（五）：自定义组件使用VUE2.0和VUE3.0虽然在工程目录结构上存在较大差异，但是具体的代码实现逻辑相同，本文所使用的自定义组件方法，同样适用于VUE2.0。

一方通行00·2024-01-01 21:27

【深度学习】第一章：深度学习的入坑线路

所以在写深度学习系列文章之前，我觉得非常有必要先把深度学习的整个框架展示一下。这是我自己跌跌撞撞走了很多弯路，才略知一二

宝贝儿好·2024-01-01 12:26

HTML+JS好例子集锦

基础知识参见HTML5+CSS入门与提高学习系列https://blog.csdn.net/cnds123/artic

软件技术爱好者·2024-01-01 04:25

MAML 源代码解释说明 (一)

元学习系列文章optimizationbasedmeta-learning《Model-AgnosticMeta-LearningforFastAdaptationofDeepNetworks》论文翻译笔记元学习方向

田小成plus·2023-12-31 23:30

【Python机器学习系列】一文带你了解机器学习中的Pipeline管道机制（理论+源码）

一、引言对于表格数据，一套完整的机器学习建模流程如下：背景知识1：机器学习中的学习器【Python机器学习系列】一文搞懂机器学习中的转换器和估计器（附案例）背景知识2：机器学习中的管道机制简介：转换器用于数据的预处理和特征工程

数据杂坛·2023-12-31 14:36

【vim 学习系列文章 3.1 -- vim 删除 ^M】

请阅读【嵌入式开发学习必备专栏之VIM专栏】文章目录^M来源^M删除^M来源在Vim中打开文件时，您可能会遇到行尾的^M字符，这通常是因为文件使用了Windows风格的回车换行符（CRLF），而不是Unix/Linux风格的换行符（LF）。在Vim中，^M实际上是回车符（CarriageReturn，CR）的可见表示。^M删除为了删除所有行尾的^M字符，您可以使用Vim的替换命令：:%s/\r$/

CodingCos·2023-12-31 13:55

机器学习系列 - 3. 数据预处理

一.KNN优缺点及KD-Tree1)KNN优缺点：KNN的主要优点有：理论成熟，思想简单，既可以用来做分类也可以用来做回归天然解决多分类问题，也可用于回归问题和朴素贝叶斯之类的算法比，对数据没有假设，准确度高，对异常点不敏感由于KNN方法主要靠周围有限的邻近的样本，而不是靠判别类域的方法来确定所属类别的，因此对于类域的交叉或重叠较多的待分样本集来说，KNN方法较其他方法更为适合KNN的主要缺点有：

小蘑菇1962·2023-12-31 07:31

机器学习系列11：减少过拟合——L1、L2正则化

如果我们注意到模型在训练集上的表现明显优于模型在测试集上的表现，那么这就是模型过拟合了，也称为highvariance。产生的过拟合的原因是对于给定的训练集数据来说，模型太复杂了。有几种可以减少过拟合的方法：收集更多的训练数据（通常可行性不大）通过正则化引入对模型复杂度的惩罚选择一个含有较少参数的简单模型减少数据的维度假设模型的参数是向量w，那么L1和L2正则化的定义如下。L1正则化通常会产生更稀

加百力·2023-12-30 18:04

机器学习系列06：决策树

如果你很关心模型的可解释性，那么决策树（DecisionTree）算法当之无愧为首选。决策树算法如何工作套用西瓜书上的一个图来说明决策树算法是如何工作的：我们挑选西瓜时，都会考虑西瓜脐部、色泽、根蒂以及敲一敲听声音等因素（特征），决策树就是对这些考虑因素进行逐个拆解，从而判断西瓜（样本）是好瓜还是坏瓜（类别）。从上面来看，这些特征好像都是离散型的，对于Iris数据集中数值特征来说，我们可以设定一个

加百力·2023-12-30 07:00

机器学习系列13：通过随机森林获取特征重要性

你可能需要参考：《机器学习系列06：决策树》这种方法无需对特征做归一化或者标准化预处理，也不假设数据集是否线性可分。以红酒数据集为例。我们可以直接通过feature_impor

加百力·2023-12-30 07:58

机器学习系列12：减少过拟合——降维（特征选择）

对于不支持正则化的模型来说，我们可以通过降低数据的特征维度来减小模型复杂度，从而避免过拟合。有两种降维方法：特征选择（featureselection）：从原始特征集中选择一部分特征子集。特征抽取（featureextraction）：从现有的特征集中抽取信息形成新的特征空间。顺序特征选择是一种贪心算法，它通过自动选择与问题最相关的特征子集来提升计算效率，剔除不相关的特征或噪声数据来降低模型泛化误

加百力·2023-12-30 07:32

推荐频道

Android基础知识学习系列